Università degli studi di Milano-Bicocca

Transcript

Università degli studi di Milano-Bicocca
Scuola di Economia e Statistica
Dipartimento di Statistica e Metodi Quantitativi
Guida dello studente
Anno 2016-2017
Università degli Studi di Milano-Bicocca
Scuola di Economia e Statistica
Dipartimento di Statistica e Metodi Quantitativi
Guida al Corso di Laurea in
Statistica e Gestione delle Informazioni
Anno accademico 2016 - 2017
Presentazione del corso
Il corso di laurea triennale in Statistica e Gestione delle Informazioni (nel seguito SGI)
prepara all'uso di metodi statistici fortemente integrati con gli strumenti informatici; insegna
a gestire e trattare grandi quantità di dati per interpretare fenomeni demografico-sociali,
biostatistici o relativi agli aspetti gestionali di diverse realtà.
Profili professionali e sbocchi occupazionali
Il laureato in Statistica e Gestione delle Informazioni è in grado di esercitare funzioni ed
attività coerentemente con gli obiettivi formativi ed i risultati di apprendimento attesi
corrispondenti ai seguenti sbocchi occupazionali e professionali:
\item
\item
\item
\item
\item
\item
pianificazione e gestione del territorio e delle dinamiche della popolazione
ricerca sperimentale ed osservazionale
proiezioni elettorali e sondaggi d'opinione
gestione dei sistemi informativi e delle basi di dati
consulenza statistica
data mining
La laurea in Statistica e Gestione delle Informazioni consente l'inserimento nei seguenti
settori economici: Terziario avanzato, Istituti di ricerca (biologici, ambientali, clinici,
epidemiologici, demo-sociali, etc.), Aziende farmaceutiche, ospedaliere e sanitarie locali,
Industria, Pubblica Amministrazione.
Qualche dato sul corso di laurea
Qualche numero relativo al Corso di Laurea in SGI. E' nato nel 2005 ed ha avuto un numero
di immatricolazioni pressoché costante negli ultimi anni a partire dal 2008 come riportato in
tabella 1.
Tabella 1. Immatricolazioni per anno accademico
Anno
2008
accademico
N°
di 43
immatricolati
2009
2010
2011
2012
2013
2014
2015
54
34
40
60
44
50
87
Fonte: Cruscotto della didattica dell’Università degli Studi di Milano-Bicocca: Estrazione del
5 luglio 2016
Negli ultimi anni, gli studenti intervistati in merito alla soddisfazione per lo svolgimento dei
corsi di SGI hanno evidenziato un buon livello di soddisfazione. In tabella 2 sono riportate il
valore medio dei giudizi riportati per la domanda: "Sono complessivamente soddisfatto di
come è stato svolto questo insegnamento?"
Tabella 2. Giudizio medio sulla soddisfazione per anno accademico
Anno
2013
accademico
2014
2015
Giudizio
medio*
2.10
2.07
2.11
5 luglio 2016
*Si ricorda che la scala della risposta parte da 0 e arriva a 3
Gli abbandoni al primo anno sono riportati nella tabella 3. Dal 28% del 2008 si è scesi al
18% del 2014, valore inferiore a quello medio di tutte le triennali dell'Università di MilanoBicocca (20.4%).
Tabella 3. Percentuali di abbandoni al primo anno per anno accademico
Anno
2008
accademico
%
di 27.9
abbandoni
2009
2010
2011
2012
2013
2014
2015
25.9
29.4
22.5
25.0
15.9
18.0
n.d.
5 luglio 2016
n.d.=non disponibile
La percentuale di laureati in corso si trova nella tabella 4. In ogni anno accademico la
percentuale di laureati in corso è superiore alla percentuale media di laureati di tutte le
triennali dell’Ateneo (26.4%)
Tabella 4. Percentuali di laureati in corso per anno accademico
Anno
2008
accademico
% di laureati in 44.2
corso
2009
2010
2011
2012
2013
2014
2015
27.8
41.2
47.5
33.3
n.d.
n.d.
n.d.
5 luglio 2016
n.d.=non disponibile
Statistici e Lavoro
Come si inseriscono professionalmente gli Statistici dopo aver conseguito la laurea? Quale
tipo di lavoro svolgono? Quanto tempo trascorre dal conseguimento del titolo al primo
lavoro?
Per rispondere a queste ed altre domande, si interrogano periodicamente i laureati con
l'indagine "Statistici e lavoro" che ha lo scopo di contestualizzare al meglio la figura dello
Statistico nel mondo del lavoro. Per avere maggiori dettagli (http://sgi.dismeq.unimib.it alla
sezione Corso, Professioni) .
La situazione dei laureati in SGI ad un anno dal conseguimento del titolo è decisamente
buona come riportato in tabella 5: circa un terzo degli laureati in SGI è assorbito
velocemente dal mondo del lavoro.
Tabella 5. Condizione lavorativa degli studenti che si sono laureati nel 2014
Percentuale degli intervistati
Lavora e non è iscritto alla 30.8
magistrale
Lavora ed è iscritto alla 19.2
magistrale
Non lavora ed è iscritto alla 46.2
magistrale
Non lavora, non è iscritto alla magistrale e non cerca
Non lavora, non è iscritto 3.8
alla magistrale ma cerca
Fonte: https://www2.almalaurea.it/. Indagine “Condizione occupazionale dei
laureati”. Anndo di indagine: 2015
Il ruolo dello statistico medico
"Cos'è la statistica medica? Si tratta di individuare i metodi statistici più adeguati in un
contesto particolare come quello della medicina.
Il clinico svolge fondamentalmente due attività: curare i propri pazienti con gli interventi
terapeutici farmacologici più adeguati per la malattia e per il paziente e tentare di prevenire
l'insorgenza della malattia, rimuovendo nei propri assistiti tutti i fattori di rischio.
Un medico, per poter curare il proprio paziente, dovrebbe riconoscere la malattia e saper
individuare, tra tutte le tecniche disponibili, quella più adeguata. Per poter fare questo,
qualcuno deve aver studiato quali sono gli interventi terapeutici farmacologici più adeguati.
Dietro ogni farmaco, che vedete o consumate, ci sono spesso decine di anni di
sperimentazioni cliniche che, in modo rigoroso e più oggettivo possibile, studiano, indagano
e forniscono prove sull'efficacia e sull'adeguatezza dei farmaci per la cura di una
determinata malattia. Ecco è in questo contesto che interviene lo statistico che, insieme ad
altri professionisti, pianifica lo studio.
Spostiamoci adesso all'altra attività del medico quella della prevenzione. Per poter
rimuovere i fattori di rischio bisogna essere in grado di riconoscerli. Anche in questo caso lo
statistico interviene, insieme ad altri professionisti, nel pianificare lo studio sui fattori di
rischio ed analizzare i dati."1
Il ruolo del demografo
1
Tratto dal video di presentazione del prof.Corrao. Il video è consultabile al
seguente link: http://www.youtube.com/watch?v=AMOVa8Wka78
"Cos'è la demografia? In che cosa consiste? La demografia fornisce gli strumenti attraverso
i quali rispondere a domande fondamentali relative alla popolazione. Quali ad esempio:
quanti sono gli abitanti? Quale è la densità degli abitanti sul territorio? Come mai una
popolazione si comporta in un certo modo rispetto alla sua dimensione quantitativa. La
demografia si occupa della misurazione di questi fenomeni, non solo contando i nati e morti,
ma cercando anche di capire cosa c'è dietro. Come mai le nascite, in un paese come l'Italia,
sono passate da un milione di 30 anni fa a cinquecentomila oggi? Cosa guida il
comportamento italiano in questa direzione? Come mai cent'anni fa un neonato aveva
davanti a sè una speranza di vita di 30 anni, mentre oggi la speranza di vita è più di 80 anni?
Come è successo? Cosa ha determinato questa evoluzione? Queste sono le domande a
cui il demografo ha la presunzione di rispondere. Il massimo dell'aspirazione demografica è
immaginare il futuro. Non solo contare, spiegare gli andamenti del passato e del presente,
ma servirsi di questi elementi per anticipare il futuro. Quindi raccontare il passato,
interpretare il passato, esporre il presente anche alla luce del passato, ma, soprattutto,
anticipare il futuro sono le tre dimensioni temporali che caratterizzano il lavoro del
demografo. Non dimentichiamo che, come diceva un grande demografo francese, ciascuna
popolazione ha iscritto il suo futuro dentro di sè. è importante quindi saperlo leggere,
interpretare e magari anche raccontare a chi in prospettiva dovrà prendere decisioni in
termini di programmazione di interventi e, più in generale, di politica."2
Il ruolo dello statistico
Spesso si considera la Statistica come una materia esclusivamente tecnica e poco creativa.
Ma è davvero così? In realtà rappresenta una sfida affascinante finalizzata a conoscere
meglio alcuni aspetti della realtà che ci circonda, altrimenti difficilmente approcciabili, come
i fenomeni di massa, i mercati, le azioni politiche.
L'indagine richiede cultura generale e grande immaginazione per analizzare i fenomeni
tenendo conto di tutti i fattori in gioco e dandogli il giusto peso.
"La Statistica è una scienza relativamente giovane che in tre secoli ha avuto un enorme
sviluppo. Il suo nome deriva da "Stato": statistici erano coloro che discutevano delle cose
relative al governo dello Stato sulla base di "numeri, pesi e misure […]". Compito degli
statistici del XVII e del XVIII secolo era dunque quello di raccogliere metodicamente i dati
relativi a popolazioni numerose, alle loro ricchezze, ai loro comportamenti, per sintetizzarli
in informazioni utili al fine di conoscere e, quindi, di assumere decisioni razionali[…]. Gli
statistici, partendo da queste tecniche antichissime e avvalendosi dei progressi della
matematica affinarono via via le procedure volte a migliorare le informazioni numeriche sulle
popolazioni e sui diversi fenomeni che le riguardavano, in vista delle decisioni, del controllo
o del confronto con altri Stati. Le sintesi da essi operate, anche se comportavano sempre
una perdita di informazioni rispetto alla ricchezza dei dati individuali, si dimostrarono
strumenti potenti per la conoscenza e il governo delle popolazioni. Per questo motivo nei
secoli XIX e XX l'impiego delle procedure statistiche si estese progressivamente allo studio
di altri insiemi numerosi di elementi empirici dei quali poteva essere utile sintetizzare
caratteristiche e comportamenti ai quali si dette il nome di popolazioni o di collettivi: da quello
delle molecole che compongono un gas a quello delle particelle elementari della materia;
da quello delle misure ripetute di grandezze fisiche o chimiche a quello dei risultati di
numerosi esperimenti in campo medico o farmaceutico; da quello dei prodotti realizzati in
2
Tratto dal video di presentazione del Prof. Blangiardo. Il video è consultabile
al seguente link: http://www.youtube.com/watch?v=EN8K9fA8Dkc
serie a quello dei potenziali clienti delle imprese o elettori delle democrazie; da quello dei
prezzi dei beni di consumo a quello dei lavoratori occupati e disoccupati e così via”.3
Prima di iscriversi
Prepararsi agli studi universitari significa valutare le proprie capacità e mettersi nelle
condizioni per ottenere i migliori risultati, senza dimenticare che si studia bene solo ciò di
cui si capisce l'utilità e la bellezza.
Un corso scientifico come SGI dà ottime possibilità di lavoro, ma richiede impegno e
capacità. La maggior parte degli studenti che iniziano i corsi universitari scientifici non
incontra gravi ostacoli negli esami di matematica. Tuttavia per altri la matematica è fonte di
difficoltà e fatica a nostro avviso riconducibili a due carenze, che è utile distinguere.
- Contenuti:
Negli insegnamenti universitari non si assumono conoscenze di Analisi Matematica, mentre
si considerano acquisite l'Algebra elementare (disequazioni di II grado e irrazionali,
esponenziali e logaritmi), la Geometria Euclidea elementare, la Geometria Analitica
elementare, la Trigonometria (funzioni goniometriche, equazioni e disequazioni) e le
proprietà elementari dei numeri interi e dei numeri razionali.
- Metodo:
La fatica incontrata da molti studenti nello studio della matematica è però dovuta anche al
particolare metodo di studio che la matematica richiede: bisogna comprendere la necessità
di un linguaggio preciso e saperlo utilizzare quando necessario, familiarizzarsi con gli
strumenti logici ed il simbolismo matematico, comprendere le giustificazioni dei risultati
(esercizi, teoremi, tecniche di calcolo) verificandone i passaggi, esemplificandole e
riutilizzandole in situazioni analoghe.
Il Corso di Laurea in SGI propone, agli studenti interessati, di lavorare per tempo sulle
difficoltà descritte sopra attraverso il progetto disponibile in forma di e-learning alla pagina
http://pmf.cilea.it o sui seguenti testi:
M. Bramanti, Precalculus, Progetto Leonardo, Società Editrice Esculapio (1999),
M. Bramanti e G. Travaglini, Matematica. Questione di metodo, Zanichelli (2009),
o seguendo i consigli dei propri docenti di Matematica della Scuola Superiore.
Prima dell'inizio delle lezioni gli studenti dovranno sostenere un Test di autovalutazione on
line (vedi la sezione Test di ingresso a pagina 10) su argomenti matematici trattati fino al
quarto anno della Scuola Media Superiore. Potranno sostenerlo da casa, impiegando anche
alcune settimane per rispondere, studiando di volta una volta gli argomenti necessari. In
pratica, oltre ad un test, è un Syllabus e una guida che indica come prepararsi.
Svolgere il test secondo le modalità indicate permetterà a ciascuno studente di comprendere
per tempo le sue eventuali lacune ed avere indicazioni su come muoversi per colmarle.
Informazioni generali
Come raggiungere la sede del corso
La sede del corso è situata nell'edificio U7, in Via Bicocca degli Arcimboldi 8 a Milano. Gli
spazi dell'edificio U7 sono aperti dal lunedì al venerdì, dalle ore 8.00 alle ore 20.00.
Il complesso universitario Bicocca, situato nella zona Nord di Milano, è facilmente
raggiungibile: http://www.unimib.it/go/8210263877271840055/Home/Italiano/Menu/Dovesiamo/Come-raggiungerci
I servizi per gli studenti
3
Tratto da "La Statistica" del prof. Marco Martini per l'articolo completo vedi:
http://sgi.dismeq.unimib.it/ sezione Orientamento
I Rappresentanti degli studenti
Oltre ai docenti anche alcuni studenti iscritti ai corsi di laurea in statistica, eletti
periodicamente, partecipano alle sedute del Consiglio di Coordinamento Didattico.
Docenti di riferimento per attività di orientamento
Dott.ssa Stefania Rimoldi
Tel. +39 02.6448.5844 e-mail: [email protected]
Studiare all'estero
L'Unione Europea ha istituito diversi programmi riguardanti l'internazionalizzazione degli
studi universitari.
1) Il programma Erasmus permette di trascorrere un periodo di studio (fino a dodici mesi)
presso un'Università straniera con un contributo da parte della Comunità Europea.
Per l'anno accademico 2015-2016, il Corso di Laurea prevede lo scambio di studenti con le
Università di seguito indicate:
Hogskolen I Oslo (Norvegia)
Universitetet I Oslo (Norvegia)
Universidad Hernandez De Elche-Alicante (Spagna)
Universidad Carlos III de Madrid (Spagna)
Universitè d'Orlèans (Francia)
Universite' Paris 1 Panthèon Sorbonne (Francia)
Yasar Universitesi (Turchia)
Gazi Universitesi (Turchia)
Universiteit Gent (Belgio)
Stockholms Universitet (Svezia)
Nel bando saranno indicati i requisiti richiesti e tutte le informazioni per presentare la
candidatura.
Non è possibile sostenere all'estero i seguenti esami: Analisi Matematica I, Analisi
Matematica II, Algebra Lineare, Statistica I, Calcolo delle Probabilità, Statistica II, Analisi
Statistica Multivariata.
2) Il programma Erasmus Placement permette agli studenti di accedere a tirocini presso
imprese, centri di formazione e di ricerca presenti in uno dei Paesi partecipanti al
Programma. Lo studente Erasmus Placement, che riceve un contributo comunitario per un
periodo di tirocinio che va da un minimo di 3 a un massimo di 6 mesi, ha l'opportunità di
acquisire competenze specifiche ed una migliore comprensione della cultura
socioeconomica del Paese ospitante.
3) Il programma Summer Winter School (Cina, India, Russia, Brasile) ha come obiettivo
primario quello di sviluppare negli studenti la capacità di gestire i processi di innovazione in
modo qualificato e propositivo e di toccare con mano i processi attuali di
internazionalizzazione degli scambi economici e delle relazioni.
Gli studenti selezionati frequenteranno, prima di partire, un ciclo di lezioni introduttive alle
realtà dei Paesi ospitanti. Nel corso delle due settimane di permanenza all'estero gli
studenti, alloggiati presso i campus delle strutture ospitanti, seguono lezioni e visitano
Aziende locali e Enti non profit.
Docenti di riferimento per Erasmus e internazionalizzazione:
Prof. Rino Bellocco
Dott.ssa Fulvia Pennoni
Laboratori informatici e sistemi informatici
Il Corso di Laurea in SGI dispone di un laboratorio di informatica accessibile in via prioritaria
agli studenti iscritti (aula 2086 – Edificio U7).
Il laboratorio è dotato complessivamente di circa 30 postazioni collegate in rete. Numerosi
pacchetti software di interesse statistico sono già installati ed utilizzabili. Inoltre gli studenti
hanno la possibilità di accedere a tutti i laboratori informatici di Ateneo, distribuiti in tutti gli
edifici in cui si tengono le lezioni.
Un'ulteriore possibilità di accesso ad alcuni software di carattere statistico è fornita dal
laboratorio virtuale che permette di accedere via Internet ad una selezione dei programmi
più utilizzati per l'analisi statistica, collegandosi per esempio anche dal computer di casa.
Sito del corso di laurea
Tutte le informazioni contenute in questa Guida, i Regolamenti didattici dei corsi, i servizi, le
pagine personali dei docenti, sono disponibili nel sito web del corso di laurea, accessibile
dall'indirizzo http://sgi.dismeq.unimib.it.
Pagina Facebook: https://www.facebook.com/SGI.UniversitaBicocca
Iscrizioni
Le modalità e i termini di scadenza delle immatricolazioni sono indicati nel sito di Ateneo
www.unimib.it , sezione Segreterie Studenti.
Test d'ingresso
Prima di iniziare la frequenza del Corso di laurea in SGI si deve sostenere un Test di
Ingresso online (sul sito del Corso di Laurea). Il test sarà disponibile da metà luglio a fine
settembre.
ATTENZIONE: L'esito del test non impedisce di immatricolarsi e iscriversi alle prove
d'esame. E' possibile sostenere il test sia prima che dopo avere formalizzato
l'immatricolazione.
Per avere un'informazione attendibile sulla tua preparazione, lavora da solo, senza fretta,
anche impiegando più giorni o ritornando sulla stessa domanda; consulta liberamente i tuoi
testi di Matematica della Scuola Superiore, ma non usare calcolatrici. Chiudi il test solo
quando sei ragionevolmente sicura/o delle tue risposte.
In base al risultato del test potrà essere chiesto di prenotare immediatamente un colloquio
con un docente di Matematica o di Statistica, che potrà aiutarti ad organizzare il tuo studio.
Si raccomanda di considerare seriamente il risultato del test ed eventualmente impiegare le
settimane precedenti l'inizio delle lezioni per lavorare sulla preparazione matematica,
seguendo le indicazioni fornite alla pagina Preparazione del sito di SGI.
Trasferimenti, seconde lauree, riconoscimento dei crediti
Ai fini del trasferimento da un altro Corso di Laurea o dell'iscrizione a seconda laurea, è
possibile richiedere al Comitato di Coordinamento del Corso di Laurea la ricostruzione della
carriera pregressa. Il Comitato provvederà a calcolare il valore in CFU delle attività formative
da riconoscere e le relative tipologie, determinando l'anno di corso al quale gli studenti
saranno iscritti. Più precisamente possono essere iscritti al secondo anno solo coloro ai
quali siano state riconosciute attività formative per almeno 30 CFU, al terzo anno coloro ai
quali siano state riconosciute attività formative per almeno 60 CFU. Il Comitato di
Coordinamento didattico concorderà con gli studenti un piano di studi che specifichi tutte le
attività formative residue necessarie per il conseguimento della laurea. I termini e le modalità
di presentazione delle domande sono indicati nel sito ufficiale dell'Ateneo.
Docente di riferimento per ricostruzioni carriere:
Prof. Piergiorgio Lovaglio
Tel. +39 02 6448.3217 | e-mail: [email protected]
Per altre informazioni: Sportello telefonico -- Servizio orientamento di Ateneo
Sportello Telefonico: 02.6448.6448 Lunedì, martedì e giovedì dalle 9.00 alle 12.00
Mercoledì e venerdì dalle 14.00 alle 16.00.
Richieste via email: sono disponibili indirizzi email per diverse tematiche
\item
informazioni sulle immatricolazioni e iscrizioni, procedure e scadenze, servizi e le
opportunità: [email protected]
\item
informazioni sul tirocinio formativo attivo: [email protected]
\item
informazioni sugli stage: [email protected]
\item
informazioni sul job placement: [email protected]
\item
informazioni su esami e prove di accertamento di lingua straniera:
[email protected]
\item
informazioni su esami e prove di accertamento di informatica:
[email protected]
Front office: Edificio U17, Piazzetta Difesa per le Donne (adiacente a via Padre Beccaro).
Organizzazione del corso di laurea
Elenco delle attività secondo il regolamento del Corso di Laurea in Statistica e Gestione
delle Informazioni anno 2015-2016 sono elencate nelle tabelle 6, 7 e 8
Rimettere le tabelle 6, 7 e 8
Il credito formativo universitario (CFU) è una modalità utilizzata nelle università italiane per
misurare il carico di lavoro richiesto allo studente. è stato calcolato che uno studente può
dedicare ogni anno 1500 ore del proprio tempo allo studio (studio individuale, lezioni,
laboratori, stage). Convenzionalmente 1 CFU rappresenta 25 ore di lavoro (come studio
personale o come frequenza a laboratori o lezioni). Per conseguire la laurea occorrono 180
CFU; per la laurea magistrale 120.
I settori scientifico-disciplinari sono raggruppamenti di discipline, stabiliti dal Ministero
dell'Istruzione, dell'Università e della Ricerca con il DM 4 ottobre 2000 e poi rivisitati
successivamente. Ad esempio MAT/05 indica Analisi Matematica, e SECS-S/01 indica
Statistica. L'obiettivo dei settori è garantire i contenuti degli insegnamenti e la competenza
specifica dei docenti.
Attività affini o integrative
Gli studenti possono acquisire tali crediti scegliendo gli insegnamenti tra quelli proposti. Tali
insegnamenti sono riconducibili a tre aree tematiche. Almeno due insegnamenti devono
appartenere alla stessa area.
Area Statistica. Settore SECS-S/01:
Piano degli esperimenti (6 CFU)
Data science e Modelli statistici per il trattamento dei dati non strutturati (6 CFU)
Statistica spaziale ed ambientali (6 CFU)
Complex Data Analysis (6 CFU)
Area Biostatistica. Settore MED/01:
Elementi di biostatistica (6 CFU)
Epidemiologia (6 CFU)
Modelli lineari generalizzati in epidemiologia e medicina (6 CFU)
Area Demografica. Settore SECS-S/04:
Demografia sociale (Paesi in via di sviluppo) (6 CFU)
Demografia sociale (Mobilità e migrazioni) (6 CFU)
Popolazione, territorio e società I (6 CFU)
L'area statistica fornisce una solida preparazione relativa ai metodi e ai modelli
statistici che, unitamente a conoscenze sulle più moderne tecniche computazionali, viene
impiegata per trattare e interpretare dati provenienti da svariati ambiti con particolare
attenzione a quello ambientale.
L'area biostatistica si focalizza sulla pianificazione, gestione, analisi e
interpretazione statistica di studi osservazionali e sperimentali nel contesto della ricerca
biomedica. Fornisce approfondimenti sulle tecniche statistiche e computazionali che trovano
prevalente applicazione nello studio dei fattori che condizionano la salute dell'uomo
(ambiente fisico e sociale, patrimonio genetico, trattamenti e interventi medici, etc.).
L'area demografica si propone di descrivere ed interpretare gli eventi ed i processi
propri della realtà demografica e sociale, ovvero di pianificare e gestire le dinamiche della
popolazione e di condurre ricerche interdisciplinari sulla popolazione e sulle tematiche di
contesto in ambito sociale.
Attività formative a scelta
Gli studenti possono acquisire i 12 CFU previsti per tali attività con una delle seguenti
modalità:
Con il superamento della verifica di profitto relativa ad insegnamenti scelti fra quelli
impartiti presso il Corso di laurea in SGI, in altre strutture dell'Università degli Studi di MilanoBicocca o in altre Università convenzionate con l'Università degli Studi di Milano-Bicocca;
con lo svolgimento dello stage/tirocinio
Tra le attività formative, gli studenti potranno scegliere di frequentare una "Summer School"
in matematica, statistica o informatica previa valutazione del programma annuale da parte
del Coordinatore del proprio corso di laurea.
Stage/tirocini formativi
Tra le attività formative a scelta, lo studente può decidere di svolgere uno stage, presso
un'Azienda o un Ente convenzionato (stage esterno) o presso il Dipartimento di Statistica e
Metodi Quantitativi (stage interno). Possono accedere allo stage gli studenti iscritti al
secondo o al terzo anno del corso di laurea che abbiano superato la metà degli esami
previsti nel piano di studi.
Per dare luogo all'attribuzione dei CFU previsti per tale attività, gli stage devono vere la
durata minima di tre mesi. L'attribuzione dei CFU è subordinata ad un colloquio finale con il
proprio tutor accademico e all'acquisizione da parte dell'Ufficio Stage del Corso di laurea in
Statistica e Gestione delle Informazioni, del questionario di valutazione del tutor aziendale
che sarà sottoposto anche al tutor accademico.
Per gli aspetti organizzativi si consiglia di rivolgersi all'Ufficio stage del Corso di laurea in
Statistica e Gestione delle Informazioni.
Per gli aspetti organizzativi si consiglia di rivolgersi all'Ufficio stage del Corso di Laurea in
SGI.
Di seguito sono i nomi degli enti, aziende o società coinvolti negli stage durante gli ultimi
anni.
Elenco:
Ist. di ricerche farmacologiche Mario Negri, Menarini ricerche spa, Ist. clinici di
perfezionamento, A.O. Niguarda Ca' Granda, Ist. Ortopedico Galeazzi, A.O. Osp. Riuniti di
Bergamo, A.O. Osp. di Lecco, A.O. di Desio e Vimercate, Osp. pediatrico Bambin Gesù
(Roma), Ist. nazionale per lo studio e la cura dei tumori, Ist. Neurologico Besta, Osp. San
Raffaele, Asl Como, Asl Alessandria, Visup srl, AB research, Medtronic italia spa, Citroen
italia spa, Consultraining di Bresso, Etro spa, Synergia, Ipsos srl, Patheon italia spa,
Accenture spa, Camera di Commercio di Sondrio, TNS italia srl, Siae microelettronica spa,
Anbsc agenzia nazionale dei beni sequestrati alla mafia, Nielsen srl, Simbologica srl, Micro
semiconductor italia srl, Celio italia spa, Comune di Milano, Comune di Brescia, Comune di
Piacenza, Comune di Legnano, Comune di Bergamo, Comune di Como, Comune di
Vimercate, Comune di Arona, Comune di Bormio, Comune di Treviglio, Provincia di
Bergamo, Dip. di Scienze Chirurgiche (unimib), Dip. di Sociologia (unimib), Opis srl, Ist. per
le tecnologie della costruzione del CNR, Fondazione Banco Alimentare onlus, Parco
regionale Spina Verde, Consorzio per le valutazioni biologiche e farmacologiche, Sesric
(Ankara), Sas Institute, Dip. di Scienze Umane (unimib), CRISP (unimib).}
Idoneità lingua straniera
L'accertamento della conoscenza della lingua straniera è effettuato con le modalità previste
dalla Commissione linguistica di Ateneo ed è approvato dalla Commissione linguistica del
Corso di Laurea in SGI. Si precisa che i CFU previsti per la lingua straniera devono essere
acquisiti prima di sostenere gli esami del secondo e del terzo anno.
Tutte le informazioni circa i termini e le modalità di svolgimento della prova di lingua sono
disponibili nel sito di Ateneo, all'indirizzo www.didattica.unimib.it, nella sezione dedicata
"Lingue".
Commissione Lingue del Corso di Laurea in SGI:
Prof. Maria Elena Regonesi
Tel. +39 02.6448.3437 | e-mail: [email protected]
Prof. Stefanie Karin Vogler
Tel. +39 02.6448. 3196 | e-mail: [email protected]
Abilità informatiche
Tali CFU possono essere acquisiti attraverso il superamento della prova di idoneità relativa
all'insegnamento "Laboratorio di Informatica".
Prova finale
Per la prova finale sono possibili due alternative, ciascuna delle quali comporta
l'acquisizione di 6 CFU. La scelta tra le due dipende dalla presenza o meno dello stage nel
piano di studio.
E’ prevista la discussione di un elaborato, realizzato sotto la guida di un docente del Corso
di laurea in Statistica e Gestione delle Informazioni, o di un altro docente di materie
statistiche dell'ateneo.
Per gli studenti che abbiano effettuato uno stage è possibile, in alternativa, la discussione
di una relazione scritta concernente l'esperienza di stage, predisposta con l'assistenza di un
docente del Corso di laurea in Statistica e Gestione delle Informazioni, o di un altro docente
di materie statistiche dell'ateneo.
In ogni caso la discussione ha luogo in seduta pubblica, di fronte ad una Commissione
composta da professori e ricercatori del Corso di laurea in Statistica e Gestione delle
Informazioni, o da altri docenti di materie statistiche dell'ateneo, che esprime la valutazione
finale in centodecimi, con eventuale lode, tenendo conto sia dello svolgimento della prova
finale sia dell'intera carriera universitaria dello studente. L'eventuale attribuzione della lode,
in aggiunta al punteggio massimo di 110 punti, è subordinata alla valutazione unanime della
Commissione.
Il calendario delle prove finali è disponibile sul sito del Corso di Laurea alla sezione Didattica,
Esami e Lauree.
Elenco dei titoli relativo alle recenti prove finali:
Le determinanti della presenza di figli nelle famiglie italiane. Analisi dei dati delle indagini
EU-SilcTESI
Analisi della sopravvivenza: studio di una coorte di ultracentenari operati per frattura
all'anca.
La condizione delle donne in carcere. Il caso di Bollate
L'approccio fuzzy nella valutazione della didattica universitaria.
Sentiment Analysis e Machine Learning:tecniche per indagare e valutare tweet relativi a
Expo 2015
La tecnica Forward Search per la ricerca degli outlier multivariati
Big Data e Wikipedia per l'arte
An investigation over the use and misuse of Cesarean Sections in Lombardy with the
support of Machine Learning methods.
Valutazione ospedaliera e valutazione regionale: quale relazione? Il caso dell’Istituto Clinico
Humanitas.
Metodi statistici per la gestione dei dati censurati
La statistica nel calcio: previsione di risultati sportivi attraverso gli expected goals.
Fattori associati al ritardo nella dimissione all’interno di un protocollo di enhanced recovery
per la chirurgia pancreatica.
I FANS aumentano il rischio di tumore all'esofago?
Meta-analisi della riduzione del danno d'organo nei pazienti trattati con antipertensivi
meta-analisi sul ruolo dei farmaci antipertensivi ai reni
A prospective randomized, open label, blinded end-point (PROBE) trial to evaluate whether,
at comparable blood pressure control, ACE inhibitor therapy more effectively than non RAS
inhibitor therapy reduces cardiovascular morbidity and mortality in chronic dialysis patients
with left ventricular hypertrophy (ARCADIA Study)
Lo studio ANSWER: valutazione degli effetti renali e umorali del Sevelamer carbonato nei
pazienti con malattia renale cronica e proteinuria residua nonostante la migliore terapia
disponibile.
Misura dell'invecchiamento della popolazione con l'approccio della demografia potenziale
L'uso delle Spline nei modelli di regressione
Machine learning algorithms for online, web based, professional skills analysis.
Research trends in statistics and informatics: a comparative study
I test di significatività di Fisher: critiche ed interpretazioni
Classificazione delle imprese industriali attraverso tecniche di Text Analytics
Il problema della misura della biodiversità
Applicazione di tecniche di farmacovigilanza ai database FDA AERS
Le opinioni degli ex studenti
Alice Corbella
Sono Alice e ho iniziato nel 2009 il mio percorso universitario e statistico iscrivendomi al
corso di laurea triennale in Statistica e Gestione delle Informazioni. Fin dai primi mesi di
studio delle basi teoriche e pratiche della statistica ho apprezzato delle prime (la
matematica, il calcolo delle probabilità,...) la formalità che richiedevano: questo rendeva
tutto molto più chiaro e ordinato; invece affrontando l'informatica e i primi accenni di
trattamento dei dati ho iniziato ad accorgermi della potenza della statistica: la
quantificazione di un fenomeno permette di leggere la realtà e trarne indicazioni utili per
supportare decisione. Non nego che questo inizio è stato anche molto difficile perchè ha
coinciso con l'inizio dello studio universitario, tutto diverso da quello liceale, che richiedeva
(fortunatamente) continuo confronto con compagni di corso e professori per poter imparare
veramente e di più.
Proseguendo (specialmente durante il terzo anno) è stato per me interessante scoprire
quanti metodi diversi esistano per approcciare lo stesso problema, e scoprire che serve il
mio personale occhio critico per decidere quale tecnica usare. Un'altra parte che mi ha
appassionato dell'applicazione dei modelli è quella che riguarda l'interpretrazione dei
risultati perchè è richiesta sia l'interazione con chi conosce meglio di me l'ambito in cui
vengono applicate le tecniche (siano medici o direttori d'azienda o ...) che la mia capacità di
leggere i numeri. In questi aspetti, alla fine del percorso, mi sono accorta di aver raggiunto
una certa autonomia; questa è stata messa alla prova durante lo stage e il lavoro di tesi che
ne è uscito: muoversi, col supporto del relatore, in una analisi tutta mia è stato un bel punto
di verifica per tutto quello che avevo imparato fino a quel momento.
Durante tutto questo percorso le cose che ho gustato di più sono state il veder emergere la
mia capacità di mettermi in discussione (non solo nel confronto con docenti e compagni ma
soprattutto rispetto ai dati con cui avevo a che fare) e l'opportunità di incontrare professori
da cui imparare questo mestiere.
Andrea Riganti
Ciao mi chiamo Andrea e ho frequentato il corso di Statistica e Gestione delle Informazioni
qualche anno fa, ora sono a metà di un percorso di dottorato.
La cosa che ho apprezzato di più del mio studio della statistica, e che vedo ancora essere
determinante per il mio lavoro di ricerca, è stato l'imparare a ragionare su un problema reale,
non semplicemente prendendo i dati e buttandoli dentro ad un programma che facesse i
conti al posto mio, ma provando a pensare criticamente come avrei potuto comportarmi e
che relazioni avrei potuto indagare. Infatti penso che la caratteristica del corso di laurea che
più mi ha affascinato è stato l'insegnamento da parte di molti docenti di un modo per
affrontare le domande di ricerca in maniera, appunto, critica. La grande possibilità che ho
avuto è stata quella di trovare molti insegnanti che non si accontentavano di darmi le formule
e insegnarmi come applicarle, ma che volevano far emergere la creatività di ciascuno
nell'impostare un certo problema, valorizzando le idee e il modo che ciascuno per tentativi
voleva provare a indagare una certa relazione.
Sicuramente un grande aiuto è stata la possibilità, visto il grande numero di docenti se
paragonato all'esiguo numero di studenti, di poter approfondire e consolidare il rapporto tra
docente e studenti, facendo sì che le domande mie e dei miei compagni potessero essere
prese in considerazione a lezione, si potesse in alcuni casi approfondire un determinato
argomento e si potesse essere effettivamente seguiti.
Elenco degli insegnamenti e dei programmi
Indicazioni generali
Dall'anno accademico 2008-2009 è entrata in vigore la Riforma universitaria, la cosiddetta
2704.
Con la nuova Riforma, alcuni insegnamenti sono articolati in moduli. Per superare l'esame
previsto per ciascuno insegnamento organizzato in moduli, lo studente dovrà sostenere una
o più prove, secondo le modalità che verranno precisate, all'inizio delle lezioni, dai docenti
interessati.
I programmi illustrati nelle pagine successive sono gli insegnamenti:
•
•
•
del primo anno di SGI, come da Regolamenti 2016 - 2017
del secondo anno di SGI, come da Regolamenti 2015 - 2016
del terzo anno di SGI, come da Regolamenti 2014 - 2015.
Si consiglia di visitare le pagine personali dei docenti per il materiale didattico dei corsi
nonché per altre informazioni riguardanti la didattica.
Si accede alle pagine personali dei docenti dal sito del corso di Laurea,
http://sgi.dismeq.unimib.it, alla voce Didattica, Docenti.
In caso di difformità riscontrate tra la Guida e i Regolamenti dei Corsi di Laurea, fare
riferimento ai Regolamenti.
4
Per maggiori informazioni consultare il sito: www.miur.it
ElencodegliInsegnamenti
Insegnamento
Cfu_insegnamento
Linguainsegnamento
(Italiano/Inglese)
Settore
Obbligatorio/ascelta
Modulo
CFUmodulo
Settoremodulo
Ciclo
Anno
Docente
E-mail
Dipartimentodiafferenza
AlgebraLineare
6
Italiano
LinearAlgebra
Italian
MAT/02
Obbligatorio
AlgebraLineare
6
MAT/02
IV
1
MarinaAvitabile
[email protected]
DipartimentodiStatisticae
MetodiQuantitativi
LinearAlgebra
DepartmentofStatisticsand
QuantitativeMethods
Prerequisiti
Obiettivi(max500caratteri
spaziinclusi)
Mutuazioni
Mutuato
Esame_soloorale(Sì/No)
No
Esame_scrittoeorale(Sì/No) SI
Esame_lab(Sì/No)
Sì
Esame_rel_ind(Sì/No)
No
E’possibilesostenerel’esamein ingleseperglistudenti
ERASMUS?(SI’/No)
Metodididattici
(Lezioni/laboratori/Esercitazioni
/Tutorato/Seminari/Blended/El
earning)
Contenuti(
No
Yes
Yes
No
Testi
Softwareutilizzati
Programmaesteso
Insegnamento
Analisideidati
CFU
6
Lingua
insegnamento Italiano
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
Analisideidati
CFUmodulo
6
Settoremodulo
SECS-S/01
Ciclo
IV
Anno
2
Docente
GiorgioVittadini
E-mail
[email protected]
Dipartimento di Statistica e
MetodiQuantitativi
Prerequisiti
Questaattivitàformativadeve
essere
preceduta
dal
superamento dell’esame di
Analisistatisticamultivariata.
Obiettivi
Il corso affronta il tema delle
principali tecniche di analisi
dei dati sia a partire da dati
quantitavichequalitativi:loro
rappresentazione
grafica,
loro riduzione in spazi di
dimensioniinferiori,enelcaso
di dati qualitativi loro
quantificazione. A lezioni
frontalisialternerannolezioni
in laboratorio in modo da
permettere di imparare
l’utilizzo di pacchetti statistici
e poter quindi applicare le
tecnicheapprese.
Mutuazioni
No
No
Esame_lab(Sì/No)
Sì
No
Dataanalysis
Italian
Mandatory
Dataanalysis
Department of Statistics and
QuantitativeMethods
This training activity must be
preceded by the overcoming
multivariatestatisticalanalysis.
Thecoursedealswiththesubject
of the main data analysis
techniques both from quantitavi
data quality : their graphic
representation , reducing them
into smaller spaces , and in the
case of qualitative data
quantification . At lectures will
alternate in the laboratory
lessons in order to allow you to
learn the use of statistical
packagesandcanthenapplythe
techniqueslearned.
No
No
Yes
Yes
No
Metodi
didattici Lezioniedesercitazioni
earning)
Contenuti
•
•
•
•
•
Testi
Softwareutilizzati
LecturesandLab
Analisi della correlazione • Analysis
of
canonical
canonica
correlation
•Discriminantanalysis
Analisidiscriminante
Analisi
delle •CorrespondenceAnalysis
•Multidimensionalscaling
corrispondenze
Multidimensionalscaling • Alsos Methods : quantification
Metodi
Alsos: and regression from qualitative
quantificazione
e data
regressione a partire da
datiqualitativi
Dispense e lucidi del • Slides and material explained
docente
duringthelectures
• S.
MIGNANI-A. • S. MIGNANI-A. MONTANARI,
MONTANARI, Appunti di
Appunti di Analisi statistica
Analisi
statistica
multivariata,
Esculapio,
multivariata, Esculapio,
Bologna.
Bologna.
• S.ZANI-A.CERIOLI,Analisidei
• S. ZANI-A. CERIOLI, Analisi
dati e data mining per le
deidatiedataminingper
decisioni aziendali, Giuffré,
le decisioni aziendali,
Milano.
Giuffré,Milano.
• D.F. MORRISON, Multivariate
• D.F.
MORRISON,
statistical methods, McGrawMultivariate
statistical
Hill,NewYork
methods,
McGraw-Hill,
NewYork
SAS
SAS
•
Programmaesteso
Introduzioneanalisideidati DataanalysisIntroduction
ACorrelazionecanonica
Acanonicalcorrelation
1Scopo
1Purpose
2 Modo per ricavare 1 2 Mode 1 to derive canonical
variabile
canonica
e variableandsubsequent
successive
3resultsReading
3Letturarisultati
4Examples
4Esempi
5ExerciseswithSAS
5EsercitazioniconSAS
Bdiscriminantanalysis
BAnalisidiscriminante
1Purpose
1Scopo
2Data
2Idati
3 mode to derive discriminant
3Modoperricavare1variabili variable1
discriminante
andlater.
esuccessive.
4resultsReading
4Letturarisultati
5 Alternative way to derive
5 Modo alternativo per discriminatingvariables
ricavare
variabili 6Examples
discriminanti
7ExerciseswithSAS
6Esempi
CmatchesAnalysis
1Purpose,
CAnalisicorrispondenze
2 Matrices row profiles and
1Scopo,
column
2Matriciprofilirigaecolonna 3 matches in optical canonical
3 Analisi corrispondenze in correlation analysis and main
otticacorrelazionecanonicae components.
componentiprincipali.
Reading4results.:χ2breakdown
4
Lettura
risultati.: 5Readingotherrisulttati
scomposizioneχ2
6 Multiple Correspondence
5Letturaaltririsulttati
Analysis16Examples
6Analisidellecorrispondenze 7ExerciseswithSAS
multiple16Esempi
DMultidimensionalscaling
1 metric Multidimensional
DMultidimensionalscaling
ScalingwithEuclideandistances
1 Multidimensional scaling 2TheoremTorgerson
metricocondistanzeeuclidee 3resultsReading
2TeoremadiTorgerson
4Examples
3Letturarisultati
5ExerciseswithSAS
4Esempi
6 Multidimensional scaling with
dissimilaritymetrics
6 Multidimensional scaling 7 Multidimensional scaling with
condissimilaritàmetriche
ordinaldissimilarity
7 Multidimensional scaling 8Examples
condissimilaritàordinali
9ExerciseswithSAS
8Esempi
Insegnamento
AnalisimatematicaI
CFU
9
Lingua
(Italiano/Inglese)
Settore
MAT/05
Obbligatorio
Modulo
AnalisimatematicaI
CFUmodulo
9
Settoremodulo
MAT/05
Ciclo
I
Anno
1
Docente
GiancarloTravaglini
E-mail
[email protected]
Prerequisiti
Nessunapropedeuticità.
Obiettivi
Ilprincipaleobiettivodiquesto
insegnamento è fornire una
preparazione rigorosa sul
calcolo
differenziale
ed
integraleinunavariabile.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
didattici Lezioni,
esercitazioni
e
(Lezioni/laboratori/Esercitazioni tutoraggio
earning)
Contenuti
Calculus
Italian
Mandatory
Calculus
Linguaggio
comune
e linguaggiomatematico.
Numerireali.
Limiti di successioni. Calcolo
differenzialeinunavariabile.
SviluppieseriediTaylor.
Integrale di Riemann in una
variabile.
Funzioniintegrali.
Funzionidiripartizione.
Serie numeriche e integrali
generalizzati.
Testi
M.Bramanti,C.Pagani,S.Salsa, AnalisiMatematicaI,Zanichelli.
M. Bramanti, G. Travaglini,
Matematica. Questione di
Metodo,Zanichelli.
M. Bramanti, Precalculus,
ProgettoLeonardo,Esculapio.
M.Bramanti,EsercizidiCalcolo
Infinitesimale
e
Algebra
Lineare, Seconda Edizione,
M.Boella,Analisimatematicae
algebralineare,vol.1,Pearson.
Softwareutilizzati
Programmaesteso
Nessuno
None
Linguaggio
comune
e linguaggio
matematico.
Proposizioni e proprietà,
variabili logiche. Il linguaggio
degli insiemi. Implicazioni,
dimostrazioni e contresempi.
Negazioni e dimostrazioni
indirette. Sostituzione di una
variabile in una formula. Uso
degliindici:sommatorie.
Lo studio di un libro di
Matematica.
Definizioni
astratte ed esempi. Studio di
unadimostrazione:verificadei
passaggi, considerazione di
opportuniesempi,applicazione
asituazionianaloghe.
Numeri
reali.
Proprietà
metriche ed aritmetiche.
Potenzeconesponentereale.
Equazioni e disequazioni.
Estremo superiore. Limiti di
successioni.
Successioni
monotone.
Forme
di
indecisione. Il numero e. Serie
numeriche.
La
serie
geometrica.
Limiti di funzioni e proprietà
delle
funzioni
continue.
Funzionicomposteelorolimiti.
Derivate.
Studio
del
comportamento locale e
globale di una funzione. Il
teorema del valor medio.
Derivate
successive.
Convessità. Sviluppi e serie di
Taylor.Laserieesponenziale.
IntegralediRiemann.Teorema
fondamentale del Calcolo
Integrale.
Tecniche
di
integrazione.
Integrale
di
Riemann
generalizzato:
criteri
di
convergenza. La funzione
Gamma. Funzioni integrali e
loro grafici. Funzioni di
ripartizione.Serienumerichee
integraligeneralizzati.
Insegnamento
AnalisimatematicaII
CFU
6
Lingua
(Italiano/Inglese)
Settore
MAT/05
Obbligatorio
Modulo
AnalisimatematicaII
CFUmodulo
6
Settoremodulo
MAT/05
Ciclo
I
Anno
2
Docente
GiancarloTravaglini
E-mail
[email protected]
Prerequisiti
Analisi Matematica I, Algebra
Lineare.
Obiettivi
Lo
scopo
di
questo
insegnamento è fornire una
preparazione rigorosa sulle
serie di Fourier e sul calcolo
differenziale ed integrale in d
variabili.
Mutuazioni
mutuatodaSSE
No
Esame_lab(Sì/No)
No
No
Metodi
didattici Lezioni,
esercitazioni
e
(Lezioni/laboratori/Esercitazioni tutoraggio
earning)
CalculusII
Italian
Contenuti
SeriediFourier.
CalcolodifferenzialeinR^d.
IntegrazioneinR^d.
Mandatory
CalculusII
Testi
M.Bramanti,C.Pagani,S.Salsa, Analisi
Matematica
2,
Zanichelli.
M.Bramanti,EsercizidiCalcolo
Infinitesimale
e
Algebra
Lineare, Seconda Edizione,
M. Boella, Analisi Matematica
2,Pearson.
Softwareutilizzati
Programmaesteso
Nessuno
None
Serie di Fourier. Legge di Benford.
Calcolo differenziale in più
variabili. Derivate parziali,
differenziabilità, gradiente e
pianotangente.
Massimi e minimi liberi.
Derivate successive, polinomi
di Taylor, matrice Hessiana.
Rettadiregressione.
Massimi e minimi vincolati.
Funzioni
definite
implicitamente. Metodo dei
moltiplicatoridiLagrange.
Funzioniconvesse.
Integrazione in R^d. Cambi di
variabili.Integraligeneralizzati.
Integrazionedifunzioniradiali.
Insegnamento
AnalisiStatisticaMultivariata
Multivariatestatisticalanalysis
CFU
15
Lingua
Italian
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Compulsory
Modulo
CFUmodulo
8
Settoremodulo
SECS-S/01
Ciclo
III
Anno
2
Docente
FulviaPennoni
E-mail
[email protected]
Dipartimento di Statistica e Department of Statistics and
MetodiQuantitativi
QuantitativeMethods
Prerequisiti
AmbienteR,RStudioeSAS
R,RStudioEnvironmentandSAS
Obiettivi
Il corso si propone di fornire le The objective of the course is to
conoscenze sulla modellistica per provide the knowledge of the
utilizzare i dati aventi natura statistical models tailored when
multivariata attraverso analisi therearemultiplemeasuresonthe
grafiche, statistiche e modelli same unit. The data may be of
statisticicomputazionaliperdatidi continuousorcategorialtype.
naturasiacontinuachecategoriale. The course alternates theory and
Il corso presenta un taglio sia practical applications on real and
teorico che applicativo basato simulateddata.
sull’analisi e sulla discussione dei During the course the discussion
risultati delle tecniche esposte onthetechniquesandresultswill
applicateadati
beencouraged.
provenienti da varie fonti
informative.
Mutuazioni
-
-
No
No
Esame_scrittoeorale(Sì/No) Si
Yes
Esame_lab(Sì/No)
Si
Yes
No
No
Metodi
didattici Lezioni frontali, esercitazioni ed Lectures on the theory and
(Lezioni/laboratori/Esercitazioni applicazionisudatirealiesimulati practicalexercisesbyusingrealand
/Tutorato/Seminari/Blended/El con R, RStudio e SAS presso il simulateddatawithR,RStudioand
earning)
laboratorioinformatico.
SASareinthelab.
Contenuti
Testi
Ilcorsopresentaimodellistatistici The student is introduced to the
utili per l’analisi e la riduzione graphicalandanaliticaltoolsforthe
delle informazioni presenti data analysis and reduction. The
quandosidisponedivariemisure program includes some basic
sulla stessa unità. Lo studente elements of Bayesian Inference
viene introdotto ad analisi whichareillustrated
grafiche dei dati ed ai concetti by means of applicative examples.
base dell’inferenza Bayesiana The multiple and multivariate
attraverso esempi applicativi su regression model is considered as
dati reali. Vengono introdotti i well as the multiple logistic
modelli di regressione lineare regression. Some focus is given to
multivariata ed il modello di the techniques of nonparametric
regressione logistica multipla ed regression.
altre tecniche di regressione non
parametrica.
Materiale
didattico
(dispense,
SlidesandothermaterialsuchasR
diapositive, programmi di calcolo,
scripts, SAS code, exercises and
etc..) disponibile sulla pagina della
data are downlodable from the
piattaforma e-learning dell’ateneo
web page of the course of the ededicataalcorso.
learningplatformoftheuniversity.
FarawayJ.J.(2014).Linearmodels in R, Second Edition, Chapman & James,G.,Witten,D.,Hastie,T.,&
Hall,CRCPress.
Tibshirani,
R.
(2013).
An
introduction to statistical learning,
Faraway, J. J. (2016). Extending NewYork,Springer.
the linear model with R: generalized linear, mixed effects FarawayJ.J.(2014).Linearmodels
and nonparametric regression in R, Second Edition, Chapman &
models. 2nd Edition Chapman & Hall,CRCPress.
Hall,,CRCPress.
Faraway,J.J.(2016).Extendingthe
Højsgaard, S., Edwards, D., & linear model with R: generalized
Lauritzen, S. (2012). Graphical
linear, mixed effects and
models with R. Springer Science &
nonparametric regression models.
Business Media.
2ndEditionChapman&Hall.
James,G.,Witten,D.,Hastie,T.,& Tibshirani, R. (2013). An Højsgaard, S., Edwards, D., &
Lauritzen, S. (2012). Graphical models
introductiontostatisticallearning, with R. Springer Science & Business
NewYork,Springer.
Media.
Nolan, D., & Lang, D. T. (2015). Data
Science in R: A Case Studies
Approach
to
Computational
Reasoning and Problem Solving.
Chapman&Hall,CRC Press.
Nolan, D., & Lang, D. T. (2015). Data
Science in R: A Case Studies Approach
to Computational Reasoning and
Problem Solving. Chapman & Hall,
CRC Press.
SAS/STAT 12.1. User’s guide, SAS
Institute, 2012.
SAS/STAT 12.1. User’s guide, SAS
Institute, 2012.
Softwareutilizzati
Programmaesteso
R,RStudioeSAS
Vengono trattate delle tecniche
avanzate di inferenza statistica
utilizzando
le
distribuzioni
multivariate tra cui la normale
multivariata. Lo studente viene
introdotto ai concetti base
dell’inferenza
Bayesiana
attraversoesempiapplicativi.
Il modello di regressione lineare
multivariato ed il modello di
regressione logistica multipla
vengono
introdotti
ed
approfonditi considerando gli
aspetti di stima, inferenza,
diagnosi e previsione. In
particolare si considera la
regressione logistica nell’ambito
dei modelli lineari generalizzati.
Sonofornitedellenozionidibase
circa i modelli grafici di Gauss.
Vengono forniti dei cenni anche
alle tecniche di regressione
multivariatanonparametrica.
Gli argomenti trattati a livello
teorico vengono illustrati con
applicazioni a dati reali sviluppati
tramite l’ambiente statistico R,
RstudioedilsoftwareSAS. R,RStudioandSAS
The knowledge of the student
based
on
the
univariate
distributions is augmented by
considering the multivariate
distributions such as the
multivatiare normal random
variable.Thebasicprinciplesofthe
Bayesian statistics are introduced
by means of applicative examples.
The multivariate regression model
is considered both from a data
reduction point of view and then
developedfromaninferentialpoint
of view. The latter involves the
estimation, inferential, diagnostic
and previsional aspects. The
multiple logistic regression is
considered according with the
theory of the generalized linear
models. Some basic notions of
graphical Gaussian models are
provided. Also the multivatiare
nonparametric regression is
considered.Someamountoftime
isdevotedtoexplainthetheoryby
imparting some flavour of
applicationsonrealdatacollected
ondifferentfields.
Insegnamento
AnalisiStatisticaMultivariata
CFU
15
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
Analisiesplorativa
CFUmodulo
7
Settoremodulo
SECS-S/01
Ciclo
II
Anno
2
Docente
NadiaSolaro
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Algebra lineare, Analisi
Matematica I, Calcolo delle
probabilità,StatisticaI
Obiettivi
Il modulo di Analisi
Esplorativa introduce i
principali metodi statistici
descrittiviperlostudiodidue
o più fenomeni osservabili
congiuntamente su un
insiemediunitàstatistiche.Si
tratta di metodi finalizzati
all’esplorazione dei dati
multivariati per individuarne
la struttura soggiacente e
ridurne la dimensionalità in
modo da preservare le
caratteristiche
principali
osservate. Dal punto di vista
applicativo l’analisi dei dati
vieneaffrontataconilricorso
aiduesoftwareReSAS.
Mutuazioni
No
Esame_scrittoeorale(Sì/No) Sì
Esame_lab(Sì/No)
No
No
Multivariatestatisticalanalysis
Italian
Compulsory
ExploratoryAnalysis
QuantitativeMethods
Calculus,
Linear
Algebra,
Probability,StatisticsI
The Exploratory Analysis module
introduces the main descriptive
statistical methods addressed to
studying two or more variables
jointly observed on a set of
statistical units. These methods
aim
at
exploring
multidimensionaldatainorderto
detect underlying structures and
reduce their dimensionality,
however preserving the main
observed features. From a
practical point of view, data
analysisiscarriedoutbymeansof
bothRandSASsoftware.
No
Sì
No
No
Metodi
didattici Lezioni/Laboratorio
earning)
Lectures/Lab
Contenuti
Introduction to multivariate
statistical analysis. Quantitative,
qualitative and mixed data
matrices.
Graphical
representations
for
multidimensional data. Cluster
Analysis: hierarchical and nonhierarchical clustering methods.
Principal component analysis.
Exploratory factor analysis.
Integrated use of exploratory
multivariate
methods.
Applications to real data with R
andSASsoftware
Testi
Introduzione
all’analisi
statisticamultivariata,matrici
didatiquantitativi,qualitativi
e misti, rappresentazioni
grafiche
per
dati
multidimensionali. Cluster
Analysis:
metodi
di
raggruppamento gerarchici e
non gerarchici. Analisi delle
componentiprincipali.Analisi
fattoriale esplorativa. Uso
integrato
dei
metodi
esplorativi
di
analisi
multivariata. Applicazioni a
dati reali con i software R e
SAS
- Frosini, B.V. (2014).
Complementi di analisi
statistica
multivariata,
EDUCatt,Milano
- Zani, S., Cerioli, A. (2007).
Analisideidatiedatamining
per le decisioni aziendali,
GiuffrèEditore,Milano
- Bolasco, S. (1999). Analisi
multidimensionale dei dati:
strategie e criteri di
interpretazione,
Carocci,
Roma
- Dillon, W.R., Goldstein, M.
(1984). Multivariate Analysis,
J.Wiley,NewYork
- Everitt, B.S., Hothorn, T.
(2011). An Introduction to
Applied Multivariate Analysis
withR,Springer,Berlin
-Khattree,R.,Dayanand,N.N.
(2000). Multivariate Data
ReductionandDiscrimination
with SAS software, SAS
InstituteInc.,Cary,NC,USA
Softwareutilizzati
Programmaesteso
RStudio,SAS
- Introduzione all’analisi
statistica multivariata: scuola
francese
e
scuola
anglosassone, classificazione
delle metodologie di analisi
multivariata
- Matrici di dati quantitativi,
qualitativi e misti. Principali
sintesi e trasformazioni.
Rappresentazione dei dati,
spaziodegliindividuiespazio
delle variabili. Dissimilarità e
distanzefraunità,distanzefra
variabili
- Cluster Analysis: metodi di
raggruppamento gerarchici e
non gerarchici, bontà della
classificazione,applicazionea
variabili quantitative e
qualitative
- Analisi delle componenti
principali: estrazione delle
componenti principali, criteri
di arresto, valutazione della
variabilità
riprodotta,
interpretazione
delle
componenti
principali,
applicazioni
-Analisifattorialeesplorativa:
modello fattoriale, studio
delle correlazioni, metodi di
estrazione
dei
fattori,
RStudio,SAS
- Introduction to multivariate
statistical analysis: French and
Anglo-Saxon
schools,
classification of multivariate
analysismethods
- Quantitative, qualitative and
mixed data matrices. Main
syntheses and transformations.
Data representation, individual
space and variable space.
Dissimilarities and distances
between
units,
distances
betweenvariables
-ClusterAnalysis:hierarchicaland
non-hierarchical
clustering
methods,
goodness
of
classification, applications to
quantitative and qualitative
variables
- Principal component analysis:
extraction of the principal
components, stopping criteria,
evaluation of the reproduced
variability, interpretation of the
principal
components,
applications
- Exploratory Factor Analysis
factor
model,
study
of
correlations, factor extraction
methods, factor rotation, factor
scores,applications
rotazionedeifattori,punteggi - Integrated use of exploratory
fattoriali,applicazioni
multivariatetechniques
-Usointegratodelletecniche esplorative
di
analisi
multivariata
Insegnamento
Basididati
CFU
6
Lingua
(Italiano/Inglese)
Settore
INF/01
Obbligatorio
Modulo
Basididati
CFUmodulo
6
Settoremodulo
INF/01
Ciclo
II
Anno
2
Docente
GianlucaDellaVedova
E-mail
[email protected]
t
Dipartimentodiafferenza DISCo
Prerequisiti
Nessuno
Obiettivi
Ilcorsosiproponediintrodurre
alcuni strumenti informatici
avanzatiperiltrattamentodelle
informazioni.Unprimoobiettivo
consistenellapresentazionedel
modello relazionale per la
rappresentazione
di
dati,
introducendo la progettazione
concettualeelogicadellebasidi
dati,conparticolareriferimento
al modello Entità-Relazione.
Inoltre verrà introdotto il
sistema SAS per la gestione e
l'analisididat
Mutuazioni
Esame_soloorale(Sì/No) No
Esame_scritto e orale SI
(Sì/No)
Esame_lab(Sì/No)
Sì
No
Metodi
didattici Lezioni
(Lezioni/laboratori/Esercitaz
ioni/Tutorato/Seminari/Ble
nded/Elearning)
Introductiontodatabases
Italian
Introductiontodatabases
DISCo
None
No
Yes
Yes
No
Lectures
Contenuti
Testi
Softwareutilizzati
Programmaesteso
Progettazione
concettuale
Tecnichediprogettazione
ModelloEntità-Relazione
Costrutti
fondamentali
e
avanzatidiE-R
Modellorelazionale
DaE-Ramodellorelazionale
IntroduzionealsistemaSAS
DatastepeProcstep
Letturadidatigrezzi
GestionedidatasetSAS
ProcMeanseProcFreq.
ProcPrinteProcFormat.
The Little SAS Book, SAS
Institute.
Basididati,ModellieLinguaggi
di interrogazione, Atzeni, Ceri,
Paraboschi, Torlone, McGrawHill.
SAS
Nozioni
di
progettazione
concettuale: suddivisione logica
fra schemi e istanze, criteri di
rappresentazione;obiettividella
progettazione
Tecniche di progettazione:
strategietop-down,bottom-up
Modello
Entità-Relazione:
introduzione alla progettazione
di basi di dati; introduzione al
modello
E-R;
costrutti
fondamentalieavanzatidiE-R
Modello relazionale: chiavi e
vincoli di integrità; cenni di
formenormali
Da E-R a modello relazionale;
relazioni uno a uno; relazioni
unoamolti,moltiauno,moltia
molti
IntroduzionealsistemaSAS
DatastepeProcstep
Letturadidatigrezzi
GestionedidatasetSAS
ProcMeanseProcFreq.
Notionsofconceptualmodeling.
Designtechniques
TheEntity-Relationshipmodel
BasicandadvancedERtools.
Therelationalmodel
LinkingE-Rtotherelationalmodel.
IntroductiontotheSASsystem
DatastepsandProcsteps
Readingrawdata.
ManagingSASdatasets
PROCMEANS,PROCFREQ.
PROCPRINT,PROCFORMAT.
TheLittleSASBook,SASInstitute.
Basi di dati, Modelli e Linguaggi di
interrogazione,
Atzeni,
Ceri,
Paraboschi,Torlone,McGraw-Hill.
SAS
Basicnotionsofdatabases,Notions
ofconceptualmodeling:
Distinction between schemata and
instances;
Representationcriteria;Designgoals;
Design techniques; Top-down and
bottom-upstrategies.
Therelationalmodel
The Entity-Relationship model:
Introduction to data base modeling;
IntroductiontotheE-Rmodel;basic
andadvancedtools.
ImprovinganE-Rproject.
LinkingE-Rtotherelationalmodel.
One-to-one relations. One-to-many
andmany-to-manyrelations.
IntroductiontotheSASsystem
DatastepsandProcsteps
Readingrawdata.
Introduction to data managing with
SAS.
The SAS dataset, creating a dataset,
loadingandsavingadataset.
Describingdata.
The data step, temporary and
persistentlibraries,variables,arrays.
Splitting, merging and sorting
datasets. Inferring information from
data.PROCMEANS,PROCFREQ.
Representing data as a table. PROC
PRINT,PROCFORMAT.
Insegnamento
CalcolodelleProbabilità
CFU
9
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
CalcolodelleProbabilità
CFUmodulo
9
Settoremodulo
SECS-S/01
Ciclo
III
Anno
1
Docente
PieroQuatto
E-mail
[email protected]
Dipartimento di Economia,
Metodi quantitativi e Strategie
d’impresa
Prerequisiti
Per questa attività formativa è
consigliata la conoscenza degli
argomenti trattati nei corsi di
AnalisimatematicaIeStatisticaI.
Obiettivi
Il corso si propone di fornire
un’introduzione ai concetti
fondamentali del Calcolo delle
probabilità e agli strumenti
necessariperl’inferenzastatistica.
Mutuazioni
ScienzeStatisticheedEconomiche
No
Esame_lab(Sì/No)
No
No
Metodi
didattici L'attività formativa è svolta
(Lezioni/laboratori/Esercitazi attraversolezioniedesercitazioni.
oni/Tutorato/Seminari/Blend
ed/Elearning)
Probability
Italian
Compulsory
Probability
Department of Economics,
ManagementandStatistics
Knowledge of the topics
covered by "Calculus I" and
"StatisticsI".
Introducing to the basic
concepts and tools of
probability theory needed for
statisticalinference.
No
Yes
No
No
Lecturesandexercises.
Contenuti
Eventi e misure di probabilità.
Indipendenza di eventi e
probabilitàcondizionata.
Variabili casuali unidimensionali
discrete e continue. Variabili
casualibidimensionali.
Teoremilimite.
Random events and probability
measures.
Stochastic
independence and conditional
probability.
Discrete
and
continuous
random
variables.
Twodimensionalrandomvariables.
Limittheorems.
Testi
F. Caravenna e P. Dai Pra,
“Probabilità.
Un’introduzione
attraversomodellieapplicazioni”,
Springer,2013.
G. Landenna, D. Marasini, P.
Ferrari, “Probabilità e variabili
casuali”,ilMulino,1997.
F. Caravenna e P. Dai Pra,
“Probabilità. Un’introduzione
attraverso
modelli
e
applicazioni”,Springer,2013.
G. Landenna, D. Marasini, P.
Ferrari, “Probabilità e variabili
casuali”,ilMulino,1997.
Programmaesteso
Concezioni della probabilità.
Eventi e misure di probabilità
(sigma-algebre;
assiomi
di
Kolmogorov).
Indipendenza
di
eventi,
probabilità
condizionata
e
teoremadiBayes.
Variabili casuali unidimensionali.
Distribuzione di una variabile
casuale e relativi parametri
(momentiequantili).
Particolarivariabilicasualidiscrete
(Uniforme,
Bernoulliana,
Binomiale,
Geometrica,
Poissoniana e Ipergeometrica).
Particolari
variabili
casuali
continue
(Rettangolare,
Esponenziale negativa, Gamma,
Chi-quadratoeNormale).
Variabilicasualimultidimensionali
(Multinomiale
e
Normale
bivariata).
Views of probability. Random
experiments; random events;
sample space. Probability
measures.
Stochastic
independence;
conditional probability; Bayes
theorem.
Random variables; distribution
function;
discrete
and
continuous random variables.
Expected value; location and
scaleparameters.
Special discrete distributions.
Special
continuous
distributions.
Multivariaterandomvariables.
Stochastic independence of
random variables; sum of
independentrandomvariables.
Convergenceindistributionand
in probability; law of large
numbers and central limit
theorem.
Indipendenzadivariabilicasualie proprietà
riproduttiva.
Disuguaglianze
di
CauchySchwarz,MarkoveChebyshev.
Convergenza in distribuzione e in
probabilità. Legge dei grandi
numeri e teorema centrale del
limite.
Insegnamento
Data Mining e
computazionale
15
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
CFUmodulo
Settoremodulo
Ciclo
Anno
Docente
E-mail
Prerequisiti
Obiettivi
statistica Data
Mining
ComputationalStatistics
Italian
SECS-S/01
Obbligatorio
Data Mining e statistica
computazionale
15
SECS-S/01
IeII
3
PiergiorgioLovaglio
[email protected]
MetodiQuantitativi
Nessuna
propedeuticità
formale. E’ però richiesta la
conoscenza degli argomenti
trattati nei corsi di Analisi
StatisticaMultivariata,Statistica
computazionaleeStatisticaII
Compulsory
Data Mining e statistica
computazionale
15
SECS-S/01
IeII
3
PiergiorgioLovaglio
[email protected]
QuantitativeMethods
Multivariateanalysispreferable
butnotcompulsory
1) STATcomputazionale
RichiamilinguaggioSAS,SASmacro
Interpretazione e costruzione di
Modelli lineari (Anova, Ancova,
GLM)elogisticicomplessi
Modelli
robusti
(Bootstrap,
Jacknife, Regressione robusta) e
regressionenonparametrica
1) STATcomputazionale
SAS language and SAS macro
Interpretation linear models
(Anova,Ancova,GLM)andlogistic.
Robust
Models
(Bootstrap,
Jacknife, robust Regression) and
nonparametricregression
2. Data Mining, robustezza,
overfitting e problematiche di
validazioneeclassificazione(2)
Modelli statistici per la
classificazionesupervisionataed
Algoritmi.
Mutuazioni
Esame_scrittoeorale(Sì/No)
Esame_lab(Sì/No)
and
2) Data Mining, overfitting,
validation
problems
and
classification
Supervisedclassificationmodels
AND
Algorithms
SSEmutua6cfu(esclusionedei No
temirelativiall’obiettivoRegole
associativeeretineurali)
si
yes
No
no
No
No
Sì
Yes
Metodi
didattici Lezioniinlaboratorio
(Lezioni/laboratori/Esercitazion
i/Tutorato/Seminari/Blended/El
earning)
Contenuti
Testi
Softwareutilizzati
Programmaesteso
Labsessions
1.STATcomputazionale
Costruzione di modelli robusti:
misure di influenza, diagnostiche,
model selection, trasformazioni,
splinesAdditiveModels
1. STATcomputazionale
Step for model construction and
diagnostics (model selection,
trasformation, splines, Additive
Models)
2.DataMining
Modelli statistici per la
classificazione supervisionata
(3) (
analisi discriminante , logistico
politomicoeordinale)
Algoritmi:(NaiveBayes,Nearest
Neighbour, Alberi decisionali e
Classificativi),metodiensamble
(bagging e random forest), reti
neurali(cenni)
2)DataMining
Supervisedclassificationmodels
(linear models, discriminant
analysis, logistic binary and
nominal)
Supervised
classification
Algorithms:
Naive
Bayes,
Nearest Neighbour, decision
tree ,ensamble (bagging and
random
forest),
Neural
networks
G. James, D. Witten, T. Hastie andR.Tibshirani
An Introduction to statistical
learning
http://wwwbcf.usc.edu/~gareth/ISL
STATCOMPUTAZIONALE
Cap3(3.1-3.4)
Cap4(fino4.3compreso)
Cap6
Cap7(7.1-7.7)
DATAMINING
Cap1-2-4-5-6-8
SAS
SAS(studentscanusealsoR)
Statisticacomputazionale
L'obiettivo principale del corso è
introdurre strumenti software
avanzati e di alta complessità
computazionale per disegnare ed
eseguire analisi di dati e
modellazionestatisticacomplessa.
Statisticacomputazionale
Thecourseaimsatintroducing
softwareandcomplexproceduresfor
modellingstatisticalmodelsboth
fromthetheoreticalandfromthe
applicativepointofview.
Datamining
Il corso intende fornire un’introduzione alle principali
tecnichestatistichedi
DataMiningattraversole
piùmodernetecnichee
strategieperl’analisidi
grandimolididati,
Datamining
illustrandole
Thecourseaimsatintroducing
problematicheconnesse.
statisticalmodelsofDATAMINING
both from the theoretical and from t
IntroduzioneallaBusiness
applicativepointofview.
Intelligence,Modellied
algoritmidiDatamining,
IntroductiontoBusinessIntelligence,
CasirealidiDataMining
DataminingModelsandalgorithms,
DataMiningapplications
Insegnamento
Data Science e Modelli Statistici
per il trattamento dei dati non
strutturati
6
Data Science and Statistical
Modelsfornon-structureddata
SECS-S/01
Ascelta
6
SECS-S/01
III
3
MarcoFattore
[email protected]
DipartimentodiStatisticaeMetodi
Quantitativi
Prerequisiti
Conoscenze di base di Algebra
LineareeAnalisideiDati
Obiettivi
Introdurre gli studenti alla
comprensione e all’uso delle più
moderne tecniche statistiche, per
l’analisididatimultidimensionalie
complessi. Il corso illustrerà i
principali metodi di pattern
recognition e classificazione non
supervisionata, focalizzandosi in
particolare sulle tecniche di tipo
non
lineare,
per
l’analisi
esplorativa, la riduzione della
dimensionalità e la visualizzazione
deidati.
Mutuazioni
Yes
Esame_scrittoeorale(Sì/No) No
Esame_lab(Sì/No)
No
No
Metodi
didattici Lezionifrontaliedesercitazioni
earning)
Optional
QuantitativeMethods
BasicsinLinearAlgebraandData
Analysis
Tointroducestudentstomodern
statistical tools for pattern
recognition and unsupervised
classification on complex data
systems.Thecoursewillfocuson
non-linear
tools
for
dimensionality reduction and
datavisualization.
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
CFUmodulo
Settoremodulo
Ciclo
Anno
Docente
E-mail
Italian
Yes
No
No
No
Frontal lessons and practical
activities
Contenuti
1. Richiamidialgebralineare.
2. Metodi classici di cluster
analysis e riduzione della
multidimensionalità.
3. Metodi non-lineari metrici per
la
riduzione
della
dimensionalità.
4. Foreste casuali e loro
applicazioneallaclassificazione
nonsupervisionata.
1. Elementsoflinearalgebra.
2. Classical methods for
cluster analysis and
dimensionalityreduction.
3. Metric
non-linear
dimensionality reduction
methods.
4. Random forests and their
application
to
unsupervised
classification.
Wang J. “Geometric Structure of
High Dimensional Data and
Dimensionality
Reduction”,
Springer,2012(someparts)
Other material provided by the
teacher
Testi
Wang J. “Geometric Structure of
High Dimensional Data and
Dimensionality
Reduction”,
Springer,2012(alcuneparti)
Altro materiale predisposto dal
docente
Softwareutilizzati
Programmaesteso
LinguaggioR
Rlanguage
1. Sottospazi lineari e proiezioni 1. Linear
subspaces
and
ortogonali.
orthogonalprojections.
2. Decomposizioni
matriciali: 2. Matrix
decopositions:
decomposizione a valori
Singular
Value
singolari (SVD) e per matrici
Decomposition (SVD) and
non-negative.
non-negative
matrix
3. Metodi lineari per la pattern
decomposition.
recognition: k-medie, Analisi 3. Linear methods in pattern
delle componenti principali
recognition:
k-means,
(APC), Non-Negative Matrix
Principal
Component
Factorization
(NMF),
Analysis(PCA),Non-negative
Multidimensional
scaling
matrix factorization (NMF),
(MDS),Proiezionicasuali.
Multidimensional
scaling
4. Metodi non lineari: Self(MDS).Randomprojections.
organizingMap(SOM),Isomap, 4. Non-linear methods: SelfLocalLinearEmbedding(LLE).
organizing Map (SOM),
5. Elementi
di
teoria
Isomap,
Local
Linear
dell’informazione: Entropia;
Embedding(LLE).
Divergenza di Kullback-Liebler; 5. Elements of information
Informazionemutua.
theory, Entropy, Kullback6. Entropia e riduzione della
Liebler Divergence, mutual
dimensionalità:
Stochastic
information.
Neighbor Embedding (SNE); t- 6. Entropy and dimensionality
distributedSNE.
reduction:
Stochastic
7. RandomForest.
Neighbor Embedding (SNE);
t-distributedSNE.
7. Randomforests.
Insegnamento
Demografia Sociale. Mobilità e
Migrazioni
6
Social Demography. Mobility
andMigration
Italian
SECS-S/04
Ascelta
Demografia Sociale. Mobilità e
Migrazion
CFUmodulo
6
Settoremodulo
SECS-S/04
Ciclo
II
Anno
3
Docente
Lauraterzera
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Questa attività formativa deve
essere
preceduta
dal
demografia.
Obiettivi
Ilcorsosiproponedidescrivere
il fenomeno della mobilità
territoriale, le sue cause e
caratteristiche.
Verranno
individuati gli strumenti adatti
pervalutarel’intensitàdeiflussi
migratori ed introdotta la
metodologia per quantificare la
componente irregolare. Il tema
verrà approfondito tramite lo
studiodelcasoitaliano
Mutuazioni
No
SI
Esame_lab(Sì/No)
No
Facoltativo
Metodi
didattici Lezionifrontalielaboratori
earning)
Elective
Social Demography. Mobility
andMigration
QuantitativeMethods
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
The course offers the tools to study
the migratory flows, their
characteristics and push and pull
factors. Moreover, the course
focuses on the key measures and
techniques used in studying illegal
people on our national territory.
No
Yes
No
No
§ Storiadellemigrazioni
Contenuti
§ Tipologie/Teorie
§ Fontiufficiali
§ Tecniche di campionamento
utilizzabili per la popolazione
straniera
Softwareutilizzati
Programmaesteso
§ Datasources
§ Samplingdesigns
§ Stimadellanumerosità
§ Ilcasoitaliano
§
spss
• Definizioni di mobilità e migrazione
• Migrazioni nelle società
moderne
• Emigrazioneinternazionalee
interna:ilcasoitaliano
• Ciclifasietipologie
• Teoriesullemigrazioni
• Fonti
• "Campionamento catturaricattura,
• Campionamentosnowball
• Tecnica di campionamento
delleunitàabitative"
• Tecnica di campionamento
deicentridiaggregazione
• Campionamento a risposte
casualizzate
• Metodi
di
stima
dell’ammontare
degli
stranieriirregolari
of
of
§ Estimate of the size of
immigrants
• C. Bonifazi, L'Italia delle migrazioni,IlMulino,2013
• M.Ambrosini,Sociologiadelle
migrazioni,IlMulino,2005
• Materiale
messo
a
disposizionedurantelelezioni
Testi
§ History
migrations/Theories
internationalmigration
TheItaliancase
Insegnamento
Demografia sociale. Paesi in
viadisviluppo
6
Social Demography. Developing
Countries
Italian
SECS-S/04
Ascelta
Demografia sociale. Paesi in
viadisviluppo
CFUmodulo
6
Settoremodulo
SECS-S/04
Ciclo
I
Anno
3
Docente
PatriziaFarina
E-mail
[email protected]
Prerequisiti
Questa attività formativa
deve essere preceduta dal
demografia.
Obiettivi
L’obiettivodelcorsoconsiste
nell’approfondimento delle
conoscenze delle dinamiche
demograficheneipaesiinvia
di
sviluppo.
L’attività
formativa
prevede
un
costanterichiamoagliaspetti
applicativi dei temi trattati
attraverso l’uso di dati e
materiali disponibili a livello
nazionaleeinternazionale.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
Yes
Metodi
earning)
Elective
Social Demography. Developing
Countries
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
No
No
Yes
No
Yes
Contenuti
• Latransizionedemografica
• La
transizione
epidemiologica
e
di
fecondità
• La domanda e l'offerta di
figli
• La
regolazione
della
fecondità
• La contraccezione e il
bisogno non soddisfatto di
contraccezione
• GliobiettivisostenibiliSDGs
Per i frequentanti: materiale
didatticofornitodaldocente
Perinonfrequentanti:
• M.LiviBacci,“Storiaminima
della popolazione del
mondo”,IlMulino,Bologna
ultimaedizione
• S. Salvini, A. Angeli
“Popolazione e sviluppo
nelleregionidelmondo”,Il
Mulino,Bologna2007
• P. Farina “Le demografie
degli altri” in (a cura di) G
Micheli Demografie Mac
Graw-Hill2010
Testi
Softwareutilizzati
Programmaesteso
Insegnamento
Demografia
CFU
9
Lingua
(Italiano/Inglese)
Settore
SECS-S/04
Obbligatorio
Modulo
Demografia
CFUmodulo
9
Settoremodulo
SECS-S/04
Ciclo
IIIeIV
Anno
1
Docente
GiancarloBlangiardo
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Nessuno
Obiettivi
Il corso si propone di fornire gli
strumentidibaseperstudiarele
trasformazioni quantitative e
strutturali di una popolazione e
approfondire i fattori che ne
determinano
l’evoluzione.
Particolare attenzione viene
dedicata alla presentazione dei
metodi di analisi dei fenomeni
demografici e alle tecniche di
previsione,siadegliindividuiche
delle famiglie. Ci si propone
altresì di acquisire una
professionalità nell'affrontare
iniziative di documentazione,
analisi e divulgazione dei temi
riguardanti la popolazione e le
suedinamiche
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
E’possibilesostenerel’esamein inglese per gli studenti
ERASMUS?(SI’/No)
Demography
Italian
Compulsory
Demography
9credits
QuantitativeMethods
The aim of the course is to
introducethesourcesandthe
methods
of
population
studies. Applications will be
worked out in different fields
ofdemographicanalysis.
Special concern will be
devoted to demographic
projection regarding both the
population (by sex and age)
andthehouseholdunits.
Demographic trends together
with social and economic
consequences will be detailed
presented both for Italy and
forEuropeanUnion.
No
No
Yes
No
No
Metodi
earning)
Testi
•
•
•
Softwareutilizzati
Programmaesteso
•
•
•
•
•
•
G.
C.
Blangiardo, ElementiG.C.
Blangiardo,
Elementi di Demografia, Il
Mulino,
Bologna
1997
(ristampa2006).
Aa.Vv., Il Cambiamento
demografico.
Rapporto
propostasulfuturodell'Italia,
Laterza,Bari,2011
Documentazione aggiuntiva
verrà
resa
disponibile
duranteilcorso
Introduzione: che cosa è la demografia.
Le fonti demografiche,
nazionalieinternazionali
Dimensioneestrutturadiuna
popolazione.
Misure
dell’incremento.
Principali
caratteristiche
strutturali
e
fenomeni
connessi: invecchiamento
demografico, carico sociale,
ecc.
Componenti
che
determinano l’evoluzione di
unapopolazione.
I fenomeni di movimento
della popolazione: ruolo,
importanza, problemi di
misurazione e di confronto.
Tassi generici e specifici.
Confrontofratassi.
•
•
•
•
L’analisi
dei
fenomeni
demografici: strumenti e
concetti di base, tassi e
probabilità.
La mortalità (mortalità
infantileegenerale,tavoledi
mortalità),
la
nuzialità
(formazione e dissoluzione
familiare,
tipologie
di
famiglia),
la
fecondità
(intensità e caratteristiche,
tendenze e confronti),
migrazioni
interne
e
internazionali (misura e
caratteri delle migrazioni, la
presenzastranierainItalia)
Previsioni della popolazione,
metodo sintetico e analitico
(sessoedetà).Lasceltadelle
ipotesidibase
Tendenze demografiche in
Italia e nel Mondo:
valutazioni
e
aspetti
problematici
Insegnamento
ElementidiBiostatistica
CFU
6
Lingua
(Italiano/Inglese)
Settore
MED/01
Ascelta
Modulo
ElementidiBiostatistica
CFUmodulo
6
Settoremodulo
MED/01
Ciclo
I
Anno
3
Docente
VincenzoBagnardi
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Nessuno
Obiettivi
Obiettivo del corso è fornire
allo studente le basi per
pianificare accuratamente un
esperimentooun’osservazione
in ambito biomedico, per
scegliere adeguatamente i
metodidiraccoltadeidatiedi
analisi statistica, e per
interpretare correttamente i
risultatiottenuti.
Mutuazioni
No
Sì
Esame_lab(Sì/No)
No
Facoltativo
Metodi
didattici Lezioni
(Lezioni/laboratori/Esercitazioni Laboratori
/Tutorato/Seminari/Blended/El earning)
PrinciplesofBiostatistics
Italian
Elective
PrinciplesofBiostatistics
QuantitativeMethods
None
Theaimofthecourseistoteach
how to design an experimental
oranobservationalstudyinthe
biomedicalfield,howtochoose
theproperstatisticalmethodin
analyzing data and how to
interprettheresults.
No
Yes
No
No
Optional
Lectures
Labs
Contenuti
Testi
- Course introduction: steps in
biomedical research
- The SAS system in the
biostatistical lab
- Random error, significance tests,
hypothesis testing, sample size
- Main statistical tests used in
biomedicine
- Testing assumptions and use of
non-parametric tests
- Application of linear and logistic
regression in biomedicine
- Systematic error and biases
SAS
SAS
Martin Bland - Statistica Martin Bland – An Introduction
Medica-Apogeo
to Medical Statistics – Oxford
UniversityPress
Softwareutilizzati
Programmaesteso
- Introduzione al corso: i passi
della ricerca in campo biologico e
medico
- Il sistema SAS nel laboratorio di
Biostatistica
Errore
casuale,
test
di
significatività, verifica di ipotesi e
dimensione del campione
- I principali test utilizzati in ambito
biostatistico.
- Verifica degli assunti e utilizzo di
test non parametrici
- Modello di regressione lineare e
modello di regressione logistico
per l’analisi di dati biologici e
medici
- Errore sistematico e bias
Insegnamento
Epidemiologia
CFU
6
Lingua
(Italiano/Inglese)
Settore
MED/01
Ascelta
Modulo
Epidemiologia
CFUmodulo
6
Settoremodulo
MED/01
Ciclo
II
Anno
3
Docente
AntonellaZambon
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
essere
preceduta
dal
superamento degli esami di
StatisticaIeStatisticamedica.
Obiettivi
Il corso si propone di fornire le
basi concettuali e gli strumenti
per la pianificazione e
l’interpretazionestatisticadiuno
studio epidemiologico. Alla fine
del corso lo studente deve
essere in grado di impostare
correttamente il piano di uno
studio
epidemiologico
orientandosi tra diversi disegni
osservazionali e di fornire un
contributostatisticoallastesura
di un rapporto di ricerca. Per
alcuni argomenti sono previste
esercitazioni pratiche condotte
inambienteSAS.
Mutuazioni
No
Sì
Esame_lab(Sì/No)
No
Sì
Epidemiology
Italian
Elective
Epidemiology
QuantitativeMethods
Forthiscourseit’snecssaryto
pass the following exams:
Statistica I and Medical
statistics
Thecourseaimstoprovidethe
basic concepts and tools for
theplanningandthestatistical
interpretation
of
an
epidemiological study. At the
end of the course students
shouldbeabletoproperlyset
thelevelofanepidemiological
study orienting between
different
observational
designs and provide a
statistical contribution to the
writing of a research report.
For some topics are planned
practical exercises conducted
withlanguageSAS.
No
Yes
No
No
Yes
Metodi
didattici Lezioni
in
(Lezioni/laboratori/Esercitazioni informatico
earning)
laboratorio Computerlabclasses
Contenuti
Panoramica dei diversi disegni
osservazionali
Principali
indicatori
epidemiologici:
misure
di
frequenza,
misure
di
associazioneemisurediimpatto
potenziale
Overview of observational
studydesigns.
Measures of occurrence of
disease, association and
potentialimpact.
Introduction to bias ant
methodstocontrolit
Testi
A. Zambon. Lucidi dell'anno
accademico in corso. Materiale
scaricabile dalla piattaforma
didatticaonline.Peralcuneparti
del corso verrà fornito ulteriore
materiale ad integrazione dei
lucidi.
StatisticalAnalysisSystem(SAS)
Slides
from
http://elearning.unimib.it/.
Other material will be
providedbytheteacher
Softwareutilizzati
Programmaesteso
Concetto
di
causa
in
epidemiologia
Metodi di osservazione in
epidemiologia.
Studi
ecologici;
l’errore
ecologico; studi di correlazione
geografica; studi di correlazione
temporale.
Studi analitici; studi di coorte
(razionale; periodo di follow-up
e tempi di induzione-latenza);
studi caso-controllo (razionale;
basedellostudio;sceltadeicasi
e
dei
controlli);
studi
ambidirezionali (caso-coorte e
caso-controllo innestati nella
coorte)
Misuredifrequenzadimalattia.
Misurediassociazione.Misuredi
impattopotenziale.
Validitàeprecisionedellestime:
distorsione da selezione, da
Statistical Analysis System
(SAS)
Concept
of
cause
in
epidemiology
Observational methods in
epidemiology.
Ecological studies; ecological
fallacy,
geographic
and
temporalcorrelationstudies.
Analytical studies; cohort
studies (rational, follow-up,
latency time; case-control
studies (rational, selection of
cases and controls); other
studies(case-cohortandcasecontrolnestedinthecohort)
Measures of occurrence of
disease.
Measures
of
association
Measuresofpotentialimpact.
Validity and accuracy of the
estimates: selection bias,
,misclassification
bias
informazione (misclassificazione
differenzialeenondifferenziale)
edaconfondimento.
Metodiesattieapprossimatiper
lastimaintervallaredellemisure
epidemiologiche.
Introduzioneallameta-analisi.
Introduzione
alla
farmacoepidemiologia.
(differential
and
nondifferential)andconfounding.
Exact
and
approximate
methods
for
interval
estimation of epidemiological
measures.
Introductiontometa-analysis.
Introduction
to
pharmacoepidemiology.
Insegnamento
Informatica
CFU
9
Lingua
(Italiano/Inglese)
Settore
Obbligatorio
Modulo
Introduction to Computer
Science
CFUmodulo
9
Settoremodulo
Ciclo
IeII
Anno
1
Docente
DarioPescini
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Nessuno
Obiettivi
Il corso si propone di
introdurre gli studenti alla
logicachestaallabasedella
teoria dell'informazione, di
analizzare
attraverso
esempi, la struttura degli
insiemi di informazioni, di
illustrarel’architetturadiun
elaboratore e l’evoluzione
subita da quest’ultima nel
corso del tempo. Il corso si
proponeinoltredianalizzare
le attività connesse con la
gestionedelciclodivitadel
softwaree,inparticolare,di
approfondire la fase di
specifica dei requisiti). Al
termine del corso gli
studenti dovranno saper
risolvere problemi concreti
di calcolo mediante l'uso di
strumenti informatici e un
linguaggio
di
programmazione.
Il
programma potrà subire
delle modifiche durante
l'erogazione del corso. Il
docente comunicherà sul
sitowebdelcorsoeventuali
modifiche
Mutuazioni
IntroductiontoComputerScience
Italian
Compulsory
IntroductiontoComputerScience
QuantitativeMethods
No
Esame_lab(Sì/No)
Si
No
E’possibilesostenerel’esamein Si
inglese per gli studenti
ERASMUS?(SI’/No)
Metodi
didattici Lezioni/Esercitazioni/Labora
(Lezioni/laboratori/Esercitazioni tori
earning)
Contenuti
L'elaborazione
• Informationelaboration
dell'informazione
• Hardware
• Hardware
• Software
• Software
• Softwarelifecycle
• Ciclo di vita del
• OperatingSystems
software
• Programminglanguages
• Sistemioperativi
• Introduction to Scientific
• Linguaggi
di
computing
programmazione
• Introduction to Database
• Cenni di Scientific
ManagementSystems
computing
• SQL Queries (only for the
• Cenni ai Data Base
9CFUcourse)
Management
Systems,
interrogazioniinSQL
(soloSGI)
Il materiale didattico sarà Coursematerialwillbelistedinthe
comunicato dal docente a course
web
site
lezione.
http://elearning.unimib.it
Softwareutilizzati
Sarannoindicatidaldocente
alezione
Il programma dettagliato
sarà
comunicato
dal
docentealezione
Programmaesteso
Lessons, exercises, and laboratory
activities.
•
Testi
No
Yes
Yes
No
Yes
The software will be introduced
duringthelessons
The detailed program will be
illustrated during lessons by the
teacher
Insegnamento
LaboratoriodiInformatica
CFU
3
Lingua
(Italiano/Inglese)
Settore
ING-INF/05
Obbligatorio
Modulo
LaboratoriodiInformatica
Programming
Laboratory
Italian
Language
Compulsory
Programming
Language
Laboratory
CFUmodulo
3
Settoremodulo
ING-INF/05
Ciclo
III
Anno
1
Docente
RobertoBoselli
E-mail
[email protected]
Dipartimento di Statistica e Department of Statistics and
MetodiQuantitativi
QuantitativeMethods
Prerequisiti
Nessuna
propedeuticità Noprerequisite
formale. Si consiglia di aver
sostenuto
l'esame
di
Informatica.
Obiettivi
Il corso fornisce le basi della programmazionesoftware,al
fine di far acquisire allo
studente le conoscenze e le
competenze necessarie per
poter utilizzare strumenti di
elaborazione
automatica
delle
informazioni.
Gli
argomenti proposti saranno
contestualizzati attraverso
esempi espressi in un
linguaggio
di
programmazione
Mutuazioni
Corso mutuato dal cdl triennaleSSE.
No
No
Yes
Esame_lab(Sì/No)
Si
Yes
No
No
Metodi
didattici Lezioni/Esercitazioni/Laborat Lessons,exercises,andlaboratory
(Lezioni/laboratori/Esercitazioni ori
activities.
earning)
Contenuti
Strumenti per la
• Structuredprogramming
programmazione
• Object
oriented
• Programmazione
programming
strutturata
• Introduction to scientific
• Cenni
di
computing
programmazione ad
• Further information will
oggetti
be published on the
• ScientificComputing
course
web
site:
• Maggiori informazioni
sono disponibili sul
sito web del corso
ospitato
dalla
piattaforma
http://elearning.unim
ib.it
Sarannoindicatidaldocentea Course material will be listed in
lezione
the
course
web
site
•
Testi
Softwareutilizzati
Sarannoindicatidaldocentea
lezione
Ilprogrammadettagliatosarà
comunicato dal docente a
lezione
Programmaesteso
The software will be introduced
duringthelessons
The detailed program will be
illustrated during lessons by the
teacher
Insegnamento
Modelli lineari generalizzati in
epidemiologiaemedicina
6
Generalized linear models in
epidemiologyandmedicine
Italian
MED/01
Obbligatorio
Modelli lineari generalizzati in
epidemiologiaemedicina
CFUmodulo
6
Settoremodulo
MED/01
Ciclo
IV
Anno
3
Docente
RinoBellocco
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
essere
preceduta
dal
superamento degli esami di
StatisticaIIeStatisticamedica.
Obiettivi
L’obiettivo del corso è quello di
analizzare le basi teoriche e gli
aspetti applicativi dei Modelli
LineariGeneralizzati.
Mutuazioni
No
Esame_lab(Sì/No)
Sì
No
E’possibilesostenerel’esamein Sì
inglese per gli studenti
ERASMUS?(SI’/No)
Metodi
didattici Lezionifrontalielaboratori.
(Lezioni/laboratori/Esercitazioni /Tutorato/Seminari/Blended/El
earning)
Compulsory
Generalized linear models in
epidemiologyandmedicine
QuantitativeMethods
Statistics II and Medical
Statistics courses must be
takenbeforethiscourse.
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
The course aim is to analyze
theoretical principles and
practical aspects related to
GeneralizedLinearModels.
No
Yes
Yes
No
Yes
Frontal
lessons
laboratories.
and
Contenuti
§ Review dei principi di base di
probabilitàeinferenza
§ Review of basic principles of
probabilityandinference
§ Ilmodellodiregressionelineare
§ Linearregressionmodel
§ Ilmodellolinearegeneralizzato
§ Generalizedlinearregression
model
§ Il modello di regressione
logistica
logisticaordinale
§ Logisticregressionmodel
§ Ordinal logistic regression
model
§ Il modello di regressione di § Poissonregressionmodel
Poisson
Testi
Softwareutilizzati
Programmaesteso
Dobson,A.J.,Anintroductionto
generalized linear models, 3nd
Edition.Chapman&Hall/CRC.B.
Materiale aggiuntivo (appunti,
articolifornitidaldocente).
Stata
§ Review di probabilità e
inferenzastatistica:
- Variabilialeatorie
- Distribuzioni
- Metodidistima
- Intervalli di confidenza e
testdiipotesi
IntroduzioneaStata
§
§ Ilmodellodiregressionelineare
- Formulazionedelmodello
- Analisidellavarianzaedella
covarianza
§ IlModellolinearegeneralizzato
- Famigliaesponenziale - Stima
di
massima
verosimiglianza
- Definizionedidevianza
- Il test del rapporto della
massimaverosimiglianza
logistica
- Dati
bernoulliani
e
binomiali
- Formulazione del modello:
funzionelogit
LogisticaOrdinale
Dobson, A.J., An introduction
to generalized linear models,
3nd Edition. Chapman &
Hall/CRC.B.
Other
material
(notes,
scientific articles provided by
theteacher).
Stata
§ Review of basic principles of
probabilityandinference
- Randomvariables
- Distributions
- Method for model
estimation
- Confidence intervals and
hypothesestesting
§ IntroductiontoStata
§ Linearregressionmodel
- Modeldefinition
- Analysis of variance and
analysisofcovariance
Generalizedlinearmodel
§
- Exponentialfamily
- Maximum
likelihood
estimation
- Definitionofdeviance
- Maximumlikelihoodratio
test
§ Logisticregressionmodel
- Bernoullian and binomial
data
- Model definition: logit
function
§ Ordinal logistic regression
model
Formulazione del modello
- Model
definition:
delleoddsproporzionali
proportionalodds
§ Il modello di regressione di § Poissonregressionmodeland
Poisson
log-linearmodel
- Definizione
di
tasso
- Definition of incidence
d’incidenza
rate
- Annipersona
- Person-years
- Definizione della funzione
- Definition
of
dilinklogaritmica
logarithmical
link
function
*Pertuttiimodelli:
- Stima,
intervallo
di *Forallmodels:
confidenza, test d’ipotesi
- Regression coefficient:
del
coefficiente
di
estimation, confidence
regressione
interval and hypotheses
- Interpretazione
dei
testing
parametri
- Parameters
- Studiodell’adattamentodel
interpretation
modello
- Assessment of model
- Diagnostica
fitting
- Diagnostics
-
Insegnamento
Pianodegliesperimenti
CFU
6
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Ascelta
Modulo
Pianodegliesperimenti
CFUmodulo
6
Settoremodulo
SECS-S/01
Ciclo
III
Anno
3
Docente
PaolaChiodini
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
richiede
la
conoscenza
dell’inferenzastatistica
Obiettivi
Ilcorsosiproponedifornirele
basiconcettualieglistrumenti
perlapianificazione,l’analisie
l’interpretazione statistica di
unesperimento.
Alla fine del corso lo studente
deve essere in grado di
impostare correttamente il
piano di un esperimento
orientandositradiversidisegni
sperimentali, di effettuare
l’analisideidatimedianteilpiù
appropriatomodellononchédi
interpretare dal punto di vista
statisticoirisultati.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
didattici L'attività si compone di ore di
(Lezioni/laboratori/Esercitazioni lezione per gli argomenti
/Tutorato/Seminari/Blended/El teorici.
earning)
Designofexperiments
Italian
Choice
Designofexperiments
QuantitativeMethods
Knowledge
of
inferential
statistic
Thecourseaimstoprovidethe
basic concepts and tools for
planning, making statistical
analysis and to understand an
experiment. At the end of the
course the student should be
able to properly plan an
experiment orienting between
different experimental designs,
should be able to analyze data
using the most appropriate
model and to interpret them
from the statistical point of
view.
No
No
Yes
No
No
Lectures.
Contenuti
Principi generali dei disegni
sperimentali;
i
principali
disegni
sperimentali;
analisidellavarianza(ANOVA);
ANOVAadueepiùvie;
ilpianofattoriale;
ilpianofattoriale2k;
disegnifattorialifrazionari
General
principles
of
experimental designs, main
experimental designs, analysis
ofvariance(ANOVA),two/more
wayANOVA;factorialdesing;2k
factorial
plan,
fractional
factorialdesign.
Testi
Cochran W.G., Cox M.G.,
Experimental Designs, II ed.
Wiley,NewYork,1992
Montgomery,
D.C.,
Progettazione e analisi degli
esperimenti,
McGraw-Hill,
Milano,2005
A. Camussi, F. Moller, E.
Ottaviano,M.SariGorla,Mtodi
StatisticipelaSperimentazione
Biologica, Zanichelli Bologna
2006
Cochran W.G., Cox M.G.,
Experimental Designs, II ed.
Wiley,NewYork,1992
Montgomery,
D.C.,
Progettazione e analisi degli
esperimenti,
McGraw-Hill,
Milano,2005
A. Camussi, F. Moller, E.
Ottaviano,M.SariGorla,Mtodi
Statistici pe la Sperimentazione
Biologica, Zanichelli Bologna
2006
Softwareutilizzati
Programmaesteso
Nessuno
Principigeneralidelpianodegli
esperimenti:
replicazione,
randomizzazione, uso dei
blocchi;
disegno
completamente randomizzato
(un solo fattore); ANOVA ad
una
via;
metodi
di
comparazionemultipla;disegni
fattoriali (due o più fattori);
ANOVAadueopiùvie;disegno
ablocchirandomizzati;disegno
a quadrato latino e grecolatino; disegni complessi;
disegnifattorialifrazionari.
None
Generalprinciplesoftheplanof
experiments:
replication,
randomization, use of blocks,
completely randomized design
(one factor), one-way ANOVA,
multiple comparison methods,
factorial design (two or more
factors),two/morewayANOVA,
randomized block design, latin
square design and greek-latin;
complex designs, fractional
factorialdesigns.
Insegnamento
Popolazione Territorio e Population,TerritoryandSociety1
Societa1
6
Italian
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
SECS-S/04
Ascelta
Popolazione Territorio e
Societa1
CFUmodulo
6
Settoremodulo
SECS-S/04
Ciclo
III
Anno
1
Docente
StefaniaRimoldi
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Demografia
Obiettivi
L'obiettivo del corso è
completare la formazione
teorica e pratica sulle
tecniche di analisi dei
fenomeni demografici con
particolare attenzione alle
specificità e ai problemi introdotti dalle variabili
spaziali.
Mutuazioni
No
Si
Esame_lab(Sì/No)
No
Facoltativo
Metodi
didattici BlendedLearning
earning)
Elective
Population,TerritoryandSociety1
QuantitativeMethods
The exam must be preceded by
Demography
The course aims to complete the
theoretical and practical skills on
demographic analyses, with
particular attention to specific
problems pertaining to spatial
aspects.
No
Yes
No
No
Optional
BlendedLearning
Contenuti
Testi
Softwareutilizzati
Programmaesteso
Strumenti per l’analisi • Tools for spatial analysis in
spazialeindemografia.
Demography.
• Metodi
per
la • Tools for the classification of
classificazione
del
theterritory.
territorio.
• Introduction
to
Spatial
• Introduzione
Autocorrelation.
all’autocorrelazione
• Italian contribution to spatial
spaziale.
analysisofpopulation.
• Studi
demografici • IntroductiontoGIS.
territorialiinItalia.
• Introduzione all'uso dei
GIS
• Ebdon D., Statistics in • Ebdon D., Statistics in
Geography – Second
Geography – Second Edition,
Edition,
Blackwell
BlackwellPublishing,1985
Publishing,1985
• Plane D.A. and Rogerson P.A.,
• Plane D.A. e Rogerson
The geographical analysis of
P.A., The geographical
population.Withapplicationto
analysis of population.
planning and business, John
With application to
Wiley&Sons,NewYork,1994.
planning and business, • Siegel J S. and Swanson D. A.,
JohnWiley&Sons,New
The Methods and Material of
York,1994.
Demography – Second Edition,
• SiegelJS.,SwansonD.A.,
Elsevier Academic Press,
The
Methods
and
London,2004.
Material of Demography • GoliniA.,MussinoAandSavioli
–
Second
Edition,
M, Il malessere demografico in
Elsevier Academic Press,
Italia, Studi e Ricerche , Il
London,2004.
Mulino,2001.
• Golini A., Mussino A,
Savioli M, Il malessere
demografico in Italia,
Studi e Ricerche , Il
Mulino,2001.
SPSS,QGis,ArcGis,GeoDa
SPSS,QGis,ArcGis,GeoDa
• Strumenti per l’analisi • Tools for spatial analysis in
spaziale in demografia:
Demography:
misure:
o distribution
and
o distribuzione
e
concentration;
concentrazione;
o accessibility
o accessibilità;
o composition
o composizione della
o geographicalassociation
popolazione;
o migration
o associazione
o diversityandsegregation
geografica;
• Tools for the classification of
o migrazioni;
theterritory:
o diversità
e
o factorialecology
segregazione
•
•
•
•
•
Metodi
per
la
classificazione
del
territorio:
o factorialecology;
o cluster analysis per la
definizione delle aree •
omogenee;
o ruolo
della
popolazione
nella •
pianificazione delle
infrastrutture
(previsione
degli
spostamenti urbani,
posizionamento
ottimalediunanuova
struttura).
Introduzione
all’autocorrelazione
spaziale: indici Join
Count,MoraneGeary •
Studi
demografici
territorialiinItalia:
o Approccio atomistico
(la classificazione del
territorio rurale -
urbano; lettura dei
processi insediativi;
aree di malessere
demografico).
o Approccio
contestuale:
definizione di area
metropolitana
in
Italia;
aree
di
attrazione; distanza
funzionale,
tempi
medi
di
primo
passaggio
Introduzione all'uso dei
GIS
cluster
analysis
(homogeneousareas);
o infrastructures planning
(urban mobility, optimal
location)
Introduction
to
Spatial
Autocorrelation: Joint Count,
MoranandGearyindices.
Italian contribution to spatial
analysisofpopulation:
o Atomistic approach (ruralurban dichotomy; settling
patterns
identification;
demographicmalaise).
o Contextual approach (the
metropolitan
areas;
gravitational
areas;
functional distances and
meantimeatfirstpassage).
IntroductiontoGIS.
o
Insegnamento
SistemiInformativi
CFU
9
Lingua
(Italiano/Inglese)
Settore
ING-INF/05
Obbligatorio
Modulo
SistemiInformativi
CFUmodulo
9
Settoremodulo
SECS-S/01
Ciclo
AnnualitàSingola
Anno
3
Docente
MarioMezzanzanica
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Buone
capacità
di
apprendimento, scrittura e
comunicazione orale, generale
conoscenza delle principali
tecnologie ed applicazioni
informatiche.
Obiettivi
Crearelenecessarieconoscenze,
sotto il profilo tecnico e
metodologico, che consentano
un approccio corretto alla
progettazione di un sistema
informativo, quale risorsa
strategica
essenziale
al
raggiungimentodegliobiettividi
un’organizzazioneaziendale.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
didattici Lezioni
frontali,
seminari
(Lezioni/laboratori/Esercitazioni monotematici,esercitazioni.
earning)
Informationsystems
Italian
Mandatory
Informationsystems
QuantitativeMethods
Fairly good skills in learning,
writingandspeaking,together
with a general knowledge
about the main technologies
and applications of Computer
Science.
To create the necessary
knowledge,
under
the
technical and methodological
point of view, to enable a
correctapproachtothedesign
ofaninformationsystem,asa
key strategic resource to
achievethegoalsofabusiness
organization.
No
No
Yes
No
No
Lectures,
single-topic
seminars,tutorials.
Contenuti
Testi
Softwareutilizzati
Programmaesteso
Architetture applicative e
tecnologiche
dei
sistemi
informativi
Le applicazioni informatiche e
l’analisidelsistemainformativo
Progettazione del sistema
informativoperl’analisidatiedi
supportodirezionale
Dataquality
Sistemi informativi e social
media
Introduzione alla Social Media
Analytics
Big Data e tecniche di
trattamento dei dati non
strutturati
G. Bracchi, C. Francalanci, G.
Motta. Sistemi informativi
d’impresa.McGraw-Hill,2010.
Cosenza, "Social media ROI",
Apogeo,2012.
Nel corso delle lezioni sarà
indicato dai docenti ulteriore
materiale(slide,articoli…).
Application architectures and
technological architectures of
informationsystems
Digital
applications
and
analysisofinformationsystem
Design of information system
for data analysis and decision
supportsystem
Dataquality
Informationsystemsandsocial
media
Introduction to Social Media
Analytics
Big Data and techniques for
processingunstructureddata
Import.io
RapidminerStudio
Architetture applicative e
tecnologiche
dei
sistemi
informativi:
- Processi di elaborazione
ebasidati
- Architetture distribuite,
client server, di rete,
internet e World Wide
Web
Le applicazioni informatiche e
l’analisidelsistemainformativo:
- Il portafoglio applicativo
nelleaziendeindustrialie
diservizi
- CRM
Progettazione del sistema
informativoperl’analisidatiedi
supportodirezionale:
Import.io
RapidminerStudio
Application architectures and
technological architectures of
informationsystems:
- Processes
and
databases
- Distributed
architectures, client
server,
network,
Internet and World
WideWeb
Digital
applications
and
analysis
of
information
system:
- The
application
portfolio
in
the
industrial and service
companies
- CRM
G. Bracchi, C. Francalanci, G.
Motta. Sistemi informativi
d’impresa.McGraw-Hill,2010.
Cosenza, "Social media ROI",
Apogeo,2012.
During the lessons the
teachers will give further
material(slides,articles...).
-
Progetto dei processi e
deidati
- BPR
- Analisi delle attività e
delleinformazioni
- Data–warehouseedata
mining
Dataquality
Sistemi informativi e social
media
- Evoluzione dei sistemi
informativiaziendali
- SocialMediaMarketing
Introduzione alla Social Media
Analytics:
- SentimentAnalysis
Big Data e tecniche di
trattamento dei dati non
strutturati
- Informationextraction
Design of information system
for data analysis and decision
supportsystem:
- Design of processes
anddatamodelling
- BPR
- Activities
and
informationanalysis
Dataquality
Informationsystemsandsocial
media:
- Evolutionofenterprise
informationsystems
- SocialMediaMarketing
Introduction to Social Media
Analytics:
- SentimentAnalysis
Big Data and techniques for
processingunstructureddata:
- Informationextraction
Insegnamento
StatisticaI-complementi
CFU
6
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
StatisticaI-complementi
CFUmodulo
6
Settoremodulo
SECS-S/01
Ciclo
I
Anno
2
Docente
PaolaChiodini
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
richiede la conoscenza dei
contenutidiStatisticaI
Obiettivi
Il corso si propone quale
naturale proseguimento del
corsodiStatisticaI.Siintende
riprendere alcuni concetti di
bivariataapprofondendolidal
punto di vista dello studio
della
modellistica
che
permettedidefinireillegame
funzionale esistente fra due
(opiù)caratteri
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
earning)
StatisticsI–complements
Italian
Compulsory
StatisticsI–complements
QuantitativeMethods
Knowledgeofbasicstatistic
The course is designed as a
natural continuation of the
courseofStatisticsI.Itintendsto
resume some concepts of
bivariate statistic deepening
them from the point of view of
the study of polynomial function
that allows to define the
functional link existing between
two(ormore)characters.
No
No
Yes
No
No
Lecturesandexercises
Contenuti
• Regressionepolinomiale
• Metododeiminimiquadrati
• Adattamentodelmodelloai
dati
• Residuidiinterpolazione
• Indicedimiglioramento
• Pianodiregressione
• Coefficiente di correlazione
parziale
Testi
• G.Leti,L.Cerbara,Elementi •
di statistica descrittiva, Il
Mulino,Bologna2009
• L. Santamaria, Statistica •
descrittiva – Applicazioni
economiche e aziendali,
Vita e Pensiero, Milano
2006
•
• Zanella,
Elementi
di
statistica descrittiva, CUSL, •
Milano2000
• M.Fraire,A.Rizzi,Esercizidi
statistica, Carocci Editore, Urbino2012
Softwareutilizzati
Programmaesteso
Nessuno
Regressione
polinomiale;
stima dei parametri del
modello con il metodo dei
minimi quadrati; rette di
regressione;
polinomi
completi,
incompleti
e
vincolati;
residui
di
interpolazione; adattamento
del modello ai dati; indice di
miglioramento; introduzione
al piano di regressione;
coefficiente di correlazione
parziale.
• Polynomialregression
• Leastsquaresmethod
• Adaptation of the polynomial
functiontothedata
• Residualsofinterpolation
• Multidimensionalregression
• Partialcorrelationcoefficient
G. Leti, L. Cerbara, Elementi di
statistica descrittiva, Il Mulino,
Bologna2009
L.
Santamaria,
Statistica
descrittiva – Applicazioni
economiche e aziendali, Vita e
Pensiero,Milano2006
Zanella, Elementi di statistica
descrittiva,CUSL,Milano2000
M. Fraire, A. Rizzi, Esercizi di
statistica, Carocci Editore,
Urbino2012
None
Polynomial
regression,
estimation of the parameters of
the polynomial function by the
method of least squares;
regression lines; complete,
incomplete
and
bounded
polynomials functions; residuals
of interpolation; adaptation of
the polynomial function to the
data,improvementinadaptation,
introduction to regression plane,
partialcorrelationcoefficient.
Insegnamento
StatisticaI
CFU
6
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
StatisticaI
CFUmodulo
6
Settoremodulo
SECS-S/01
Ciclo
I
Anno
1
Docente
PaolaChiodini
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Nessuno
Obiettivi
Ilcorsosiproponediintrodurre
glistudentiallastatisticaedalle
sue metodologie e di formare
lebasiteorichenecessarieper
tutti i successivi insegnamenti
di statistica sia metodologica
cheapplicata.Sonointrodottii
principali strumenti della
statistica descrittiva univariata
ebivariata.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
earning)
StatisticsI
Italian
Contenuti
•
•
•
•
•
•
•
•
Popolazioni
Fenomeni e Scale di
modalità
Distribuzioni di frequenza
univariate
IndicidiposizioneeMedie
Variabilitàesuamisura
Distribuzioni di frequenza
bivariate
ConnessioneeDipendenza
Compulsory
StatisticsI
QuantitativeMethods
None
Thecourseaimstoprovidemain
theoretical basis necessary to
deal with successive teachings
of statistical methodology that
is applied through the study of
basic instruments of univariate
and
bivariate
descriptive
statistics.
No
No
Yes
No
No
Lecturesandexercises
•
•
•
•
•
•
Populations and statistical
units
Univariate
frequency
distributions
Graphical representations
andhistograms
Means
Variance
Standardizedindices
Bivariatedistributions
Testi
•
Correlazione
•
G.Leti,L.Cerbara,Elementi •
Mulino,Bologna2009
L. Santamaria, Statistica •
descrittiva – Ap-plicazioni
economiche e aziendali,
Vita e Pensiero, Milano
2006
•
Zanella,
Elementi
di
statistica descrittiva, CUSL,
Milano2000
•
M. Zenga, Lezioni di
statististica descrittiva, G.
Giappichelli,Torino2007
•
•
•
Softwareutilizzati
Programmaesteso
Nessuno
Popolazionieunitàstatistiche;
rilevazioneescaledimodalità;
distribuzioni di frequenza
univariate; rappresentazioni
grafiche;
funzione
di
ripartizioneempiricaeindicidi
posizione: moda, mediana,
quantili; medie potenziate e
loro proprietà; centri e medie
secondo Chisini; variabilità e
mutabilità;
confronti
di
variabilità,
variabilità
e
mutabilità
normalizzata;
rilevazione congiunta di due
caratteri: tabelle a doppia
entrata,
distribuzioni
di
frequenza
congiunta
e
marginali;
distribuzioni
condizionate,medieevarianze
marginali e condizionate;
scomposizione della varianza;
indipendenza, connessione e
•
•
•
Conditionaldistributions
Stochasticindependence
Correlation.
G. Leti, L. Cerbara, Elementi
Mulino,Bologna2009
L. Santamaria, Statistica
descrittiva – Ap-plicazioni
economicheeaziendali,Vita
ePensiero,Milano2006
Zanella,Elementidistatistica
descrittiva, CUSL, Milano
2000
M. Zenga, Lezioni di
statististica descrittiva, G.
Giappichelli,Torino2007
None
Populationsandstatisticalunits;
univariate
frequency
distributions,
graphical
representations,
empirical
distributionfunctionandindices
of position: mode, median,
quantiles, means and their
properties; Chisini method,
variability and mutability;
comparisons of variability,
normalized variability and
mutability; joint detection of
two characters: double-entry
tables, marginal and joint
frequency
distributions,
conditional
distributions,
marginalandconditionalmeans
and
variances,
variance
decomposition, independence,
mean dependence, covariance,
correlation, relations between
indexes.
sua misura; dipendenza e
misura della dipendenza in
media;
covarianza,
correlazione e sua misura,
relazionifraindici.
Insegnamento
StatisticaMedica
CFU
6
Lingua
(Italiano/Inglese)
Settore
SECS-S/01
Obbligatorio
Modulo
StatisticaMedica
CFUmodulo
6
Settoremodulo
MED/01
Ciclo
IV
Anno
1
Docente
GiovanniCorrao
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
Nessuno
Obiettivi
Ilcorsosiproponedifornire
glistrumenticoncettualiper
capire le perculiarità del
metodo statistico nell’area
dellaricercabiomedica.Alla
fine del corso lo studente
deve essere in grado di
impostare il calcolo di una
misura di frequenza di una
malattia e dei suoi possiblii
esiti.
Riconoscere
le
differenze tra uno studio
sperimentale
ed
osservazionale.
Mutuazioni
Sì
Esame_lab(Sì/No)
No
No
E’possibilesostenerel’esamein inglese per gli studenti
ERASMUS?(SI’/No)
MedicalStatistics
Italian
Compulsory
MedicalStatistics
QuantitativeMethods
Theaimofthecourseistoprovide
the foundamental tools to
understand
the
main
characteristics of the statistical
methodinthebiomedicalresearch
area.Attheendofthecoursethe
student might be able to define
frequency of disease and its
outcomes. Recognize the main
differences between both an
experimental and observational
study.
Yes
No
No
No
Metodi
didattici Lezioni
earning)
Lectures
Contenuti
•
•
•
•
•
•
•
•
Testi
G. Corrao, Appunti del corso reperibili nella
pagina personale del
docente.Peralcuneparti
del corso verrà indicato
materiale aggiuntivo ad
integrazione
degli
appunti.
Softwareutilizzati
Programmaesteso
Misuredifrequenza
La ricerca biomedica tra
sperimentazione
e
osservazionepianificata.
Principali
disegni
sperimentali
Principali
disegni
osservazionali
Frequencymeasures
Biomedicalresearch
Experimentaldesign
Observationalstudy
Insegnamento
Statisticasociale
CFU
9
Lingua
(Italiano/Inglese)
Settore
SECS-S/04
Obbligatorio
Modulo
Statisticasociale
CFUmodulo
9
Settoremodulo
SECS-S/04
Ciclo
III
Anno
2
Docente
LauraTerzera
E-mail
[email protected]
MetodiQuantitativi
Prerequisiti
StatisticaI.
Obiettivi
Il corso si propone di fornire
gli strumenti per l’analisi dei
fenomenisocialiattraversola
presentazione delle modalità
di conduzioni di indagini sul
campo e costruzione di
indicatorisinteticiediscaledi
atteggiamenti.
Mutuazioni
No
No
Esame_lab(Sì/No)
No
No
Metodi
didattici Lezionietutorato
(Lezioni/Laboratori/Esercitazion
i/Tutorato/Seminari/Blended/El
earning)
Socialstatistics
Italian
Contenuti
The course is aimed to give the basic
procedure for the implementation of
a survey, with particular reference to
the questionnaire design and attitude
scales.
Strumenti per la ricerca
sociale
• Questionario: struttura e
caratteristiche
• Scalediatteggiamento
• Indicatorisociali
Compulsory
Socialstatistics
QuantitativeMethods
The course is aimed to give the tools
for the analysis of social phenomena.
Implementation of a survey, attitude
scales and the basics of social
indicators.
No
No
Yes
No
No
Introduction
about
social
indicators. Human Development
Indexes and Gap Indicators.
Sources;analysis
Testi
• Vanda Zammuner (1998), Tecnichedell’intervistaedel
questionario, il Mulino,
Bologna
• Enrica Aureli Cutillo (2002)
Lezioni di statistica sociale.
Fonti,
strumenti
e
metodi.Ed.CISU
• Letture
integrative
e
documentazione di lavoro
saranno distribuite durante il
corso.
Softwareutilizzati
Programmaesteso
Primaparte
• Indagini
campionarie,
implementazione
del
disegnocomplessivo.
• Misure e modalità di
raccoltadeidati.Struttura
di
un
questionario.
Domande e categorie di
risposte.
• Aspetti psicologici e
fraseggio
• Effetti risposta; effetti
d’ordine
• La tecnica delle scale:
Scala
di
Bogardus,
scalogramma di Guttman,
ScaladiThurstone,scaladi
Likert,
Differenziale
semantico di Osgood,
cenni altre tipologie di
scale
• Seconda
parte
Informazioni di base sugli
indicatorisociali.GliIndici
di Sviluppo Umano e
misurediGap.
First part: Opinion survey, data
collection. Questionnaire design.
Survey questions and response
alternatives. Respondents and
responses: Psychological and
cognitiveprocesses,phrasing
. Question order effects and
responseordereffects.
Attitude
scales:
Bogardus,
Guttman, Thurstone, Likert,
Osgood
Second
part:
Human
Development Indexes and Gap
Indicators. Official international
and national data base available
through Internet. Illustrative
scheme of the applied research:
choice of a social phenomenon,
sources;analysis
Rawdataandconstructionofsocial
indicators;checkoftheadequacyof
the indicators; drafting a progress
report.
•
•
•
•
Rassegnadeiprincipalisiti nazionalieinternazionali.
Simulazione
di
un
percorso di ricerca, scelta
diunaareatematica:fonti
statisticheanalisiditrend
Dai dati grezzi alla
costruzione
degli
indicatori, verifiche della
adeguatezzadellabatteria
degliindicatori
Elementi per un’ analisi
della qualità dei dati e di
unrapportodiricerca
Insegnamento
Statistica
Ambientale
6
CFU
Lingua
(Italiano/Inglese)
Settore
Modulo
Spaziale
e Spatial and
Statistics
Italian
SECS-S/01
Obbligatorio
Statistica
Spaziale
e
Ambientale
CFUmodulo
6
Settoremodulo
SECS-S/01
Ciclo
IV
Anno
3
Docente
RiccardoBorgoni
E-mail
[email protected]
Dipartimento di Economia,
MetodiQuantitativieStrategie
d’Impresa
Prerequisiti
Nessuno
Obiettivi
Il corso intende fornire
un’introduzione ai metodi
statistici per l’analisi di
fenomeni il cui valore varia
nellospazioeall’analisideidati
inerenti alcune problematiche
ambientali
Mutuazioni
Sì
Esame_lab(Sì/No)
Sì
No
Metodi
didattici Lezioni,laboratori
earning)
Environmental
Compulsory
Spatial and Environmental
Statistics
Department of Economics,
StatisticsandManagement
None
The course aims at providing
students with a set of
methodologies to deal with
spatialandenvironmentaldata
Yes
No
Yes
No
Classandlabsessions
Contenuti
Introduzioneall’analisideidati
spaziali; georeferenziazione;
elementidicartografia;metodi
perl’interpolazionedisuperfici
continueedatireticolari.Stima
delvaloredifondonelsuoloo
nell’acqua e modelli statistici
per l’analisi dei dati relativi
all’ambiente.
Testi
Haining R, 2003, Spatial Data Analysis: Theory and Practice
Cambridge University Press,
CambridgeUK
LandennaG,MarasiniD,Ferrari
P, La verifica di ipotesi
statistiche, Il Mulino, Bologna,
1998.
Dispense
distribuite
dal
docente
Softwareutilizzati
Programmaesteso
R
§ a) Georeferenziazione. Sistemi di
riferimento
e
proiezioni
cartografiche.Funzionalitàdeigis,
dati
raster
e
vettoriali.
Lisciamento di una mappa nel
casodidaticontinuiereticolari
§ b) il problema della stima del
valore di fondo nel suolo o
nell’acqua
§ c)WLS,B-splineeimodelliadditivi
d)laboratorioinR
Geocoding. An introduction to
cartography.Explorativespatial
data
analysis;
spatial
interpolation.
Statistical
methods
for
environmental data analysis.
Estimation of the background
level.
R
a)
geocoding
and
an
introduction to cartography.
GIS.RasterandvectordataMap
smoothing for continuous and
latticedata
b)estimationofthebackground
level
c) WLS, B-spline and additive
models
d)LaboratorysessionsinR.

Università degli studi di Milano-Bicocca

Transcript

Documenti analoghi

tab. 1. Test di Cochran tè/assenza: socializzazione

metodi quantitativi per le decisioni aziendali

Nasce in Cattolica il Laboratorio di Statistica Applicata alle decisioni

Quale software statistico? - Società italiana di statistica

00 fronte 22, 2 - Statistica Applicata

Variabili e scale di misura

Prof. Giorgio Marbach Nato a

Scopri la matematica di Redooc: lo strumento didattico nativo

Poster scientifico REINGEGNERIZZAZIONE DEI SISTEMI

Cenni di Statistica NON parametrica